質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

新規登録して質問してみよう
ただいま回答率
85.50%
文字コード

文字コードとは、文字や記号をコンピュータ上で使用するために用いられるバイト表現を指します。

Q&A

解決済

3回答

12627閲覧

文字エンコードの判別方法

Reem

総合スコア27

文字コード

文字コードとは、文字や記号をコンピュータ上で使用するために用いられるバイト表現を指します。

1グッド

1クリップ

投稿2019/05/21 12:14

知りたいこと

バイナリエディタでShift_JISエンコードされたテキストファイルを見たのですが、メタデータらしきものがありませんでした。

画像ファイルなどではメタデータで形式を判別出来ると思うのですが、Shift_JISやUTF-8などの文字エンコードはどのように判別されるのでしょうか?

DrqYuto👍を押しています

気になる質問をクリップする

クリップした質問は、後からいつでもMYページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答3

0

文字コードの判別は少々厄介です。UTF-16 などは BOM という目印が先頭についているのでそれで判別できますが、UTF-8 は BOM を付けないのが一般的ですし、他のエンコーディングはそもそも BOM がありません。

なので、複数のエンコーディングを候補とし、先頭から順にある程度の文字数読んでいって、そのエンコーディングとして破綻したところで選択肢から取り除き、最終的に残ったものを消去法で選ぶことになります。しかしこれでも絶対に判別できるわけではなく、複数候補が残った場合にはあらかじめ決めておいた優先順位の高いものを選ぶようにします。

ですから、日本で Shift_JIS EUC-JP ISO-2022-JP が乱立し、各国で独自のエンコーディングを使っていた時には、ウェブブラウザが自動判別を間違えて文字化けすることがしょっちゅうでした。現在は UTF-8 が主流となったことでかなり改善されています。

投稿2019/05/21 12:36

Zuishin

総合スコア28656

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

0

ベストアンサー

Unicodeには、BOM - WikiPedia がありますが、Shift-JISには、このようなものはありません。実際のコード(バイト)列を見て判定するだけです。従って誤判定はよくある話。
また、Unicodeでも BOMは必須で無いので、無い場合は同様にデータ見て、可能性高そうなのを選択する。

と、日本語を前提として話で、他言語も同様ですね。
まあ、コードによって出現頻度/順序には癖があるので、ある程度の量があれば、そこそこの確度での判定ができます。

あ、日本語コードと言うと、ISO-2022-JP(JISコード)、EUC-JPなんてのもありました。今の使用頻度は低いと思いますが、、。こちらもちょっと頭の片隅に入れておいた方が良いかも。

投稿2019/05/21 12:33

編集2019/05/21 12:37
pepperleaf

総合スコア6383

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

0

テキストデータにメタデータなるものはありません。
「文字コード 判別」でぐぐって出てくるのを読んでみてください。

投稿2019/05/21 12:25

y_waiwai

総合スコア87719

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
85.50%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問