# Unicode::Japanese::JA - phpMan ## NAME [Unicode::Japanese::JA] - 日本語文字コード変換 概要 use [Unicode::Japanese]; use [Unicode::Japanese] qw(unijp); # convert utf8 -> sjis print [Unicode::Japanese]->new($str)->sjis; print unijp($str)->sjis; # same as above. # convert sjis -> utf8 print [Unicode::Japanese]->new($str,'sjis')->get; # convert sjis (imode_EMOJI) -> utf8 print [Unicode::Japanese]->new($str,'sjis-imode')->get; # convert zenkaku (utf8) -> hankaku (utf8) print [Unicode::Japanese]->new($str)->z2h->get; 説明 [Unicode::Japanese] は，日本語の文字コードの相互変換を行うモジュールです． 機能 * [Unicode::Japanese] のインスタンスは，UTF-8 で文字列を保持します． * XS 使用/不使用を共にサポートしています． XS 版はパフォーマンスが必要な場合に， No-XS 版は手軽に使用したい場合に使用して下さい (Japanese.pm をコピーするだけで動作します)． * 全角半角変換，カタカナひらがな変換をサポートしています． * 携帯電話 (DoCoMo i-mode，KDDI AU, Softbank Mobile, ASTEL dot-i) の絵文字を Unicode 私用領域にマッピングすることで，DB 等で安全に扱うことができます． * 異なる携帯電話同士で，同じイメージの絵文字は相互変換することが可能です． * SJIS は， MS-CP932 とみなして Unicode とマッピングを行います． * Unicode -> SJIS（及びEUC-JP/JIS） のマッピング時，SJIS で表現できない文字は &#dddd; 形式に変換します． ただしUnicode私用領域におかれている絵文字は '?'になります. また, 携帯電話向けの変換時には, すべての対応しない文字は'?'になります. * Perl-5.8.0 以降において, utf8 フラグの設定処理を行います. utf-8 `バイト'列 の取得には utf8() メソッドを, utf-8 `文字'列 の取得には getu() メソッドを使います. get() メソッドは現時点では utf-8 `バイト'列 を返します (将来的に変更される可能性もあります). sjis(), jis(), utf8(), etc.. メソッドではバイト列を返します. new, set, getcode メソッドの入力には, utf8-flaged/bytes を問いません. 動作に必要なもの * perl 5.10.x, 5.8.x, etc. (5.004 以降). * (なくてもOK) C コンパイラ. このモジュールは XS と Pure Perl 両方に対応しています. C コンパイラがないときには, [Unicode::Japanese] は Pure Perl モジュールとしてインストールされます. * (なくてもOK) テスト用に Test.pm 及び [Test::More]. 実行時に必須なモジュールはありません. メソッド $s = [Unicode::Japanese]->new($str [, $icode [, $encode]]) 新しい [Unicode::Japanese] インスタンスを指定します． パラメータを指定すると，"set" メソッドに渡されます． $s = unijp($str [, $icode [, $encode]]) [Unicode::Janaese]->new(...) と同義. $s->set($str [, $icode [, $encode]]) $str: 文字列 $icode: 文字コード指定．省略可．省略時は 'utf8' $encode: バイナリ符号化方式．省略可． インスタンスに文字列をセットします． 文字コード指定を省略すると UTF-8 と見なされます． 利用可能な文字コード: auto utf8 ucs2 ucs4 utf16-be utf16-le utf16 utf32-be utf32-le utf32 sjis cp932 euc euc-jp jis sjis-imode sjis-imode1 sjis-imode2 utf8-imode utf8-imode1 utf8-imode2 sjis-doti sjis-doti1 sjis-jsky sjis-jsky1 sjis-jsky2 jis-jsky jis-jsky1 jis-jsky2 utf8-jsky utf8-jsky1 utf8-jsky2 sjis-au sjis-au1 sjis-au2 jis-au jis-au1 jis-au2 sjis-icon-au sjis-icon-au1 sjis-icon-au2 euc-icon-au euc-icon-au1 euc-icon-au2 jis-icon-au jis-icon-au1 jis-icon-au2 utf8-icon-au utf8-icon-au1 utf8-icon-au2 ascii binary ( も参照.) 文字コードを自動判別する場合は，'auto' を指定しなくてはいけません． 'auto' 時の文字コード自動判別は，getcode() メソッドにより 行われます． バイナリ符号化方式には，'base64' のみ指定可能です． base64 を指定した場合は，base64 デコードされてから [Unicode::Japanese] クラスの文字列となります． 渡された文字列を変更せずそのまま格納して欲しい場合には，文字コードとして 'binary' を指定します． sjis-imode，sjis-doti，の場合，文字列中の &#dddd; は 絵文字に変換されます． 文字コードは領域が重なっている場合があるため， 自動判別は確実ではありません． sjis, utf8 の両方に解釈できる文字列の場合は，sjis， sjis-au，sjis-doti の両方に解釈できる文字列の場合は，sjis-au， を返します． $str = $s->get $str: 文字列(UTF-8) 文字列を UTF-8 コードで取り出します． 現在は `バイト' 列 を返しますが, 将来的に変更される可能性もあります. バイト列が必要なら utf8() メソッドを, 文字列が必要なら getu() メソッドを使うことをオススメします. $str = $s->getu $str: 文字列(UTF-8) 文字列を UTF-8 コードで取り出します． Perl-5.8.0 以降においては, utf-8 フラグのついた utf-8 文字列として 返します. $code = $s->getcode($str) $str: 文字列 $code: 文字コードを表す文字列 渡された文字列(*$str*)の文字コードを自動判別します． この関数では, 例外的に, インスタンスに保持されている 文字列のコードを判別するのではないことに注意してください． 文字コード自動判別時は，以下のアルゴリズムにより判定が行われます． (PurePerl時) 1 UTF-32 の BOM があれば，utf32 と判定します． 2 UTF-16 の BOM があれば，utf16 と判定します． 3 UTF-32BE として正しい形式なら，utf32-be と判定します． 4 UTF-32LE として正しい形式なら，utf32-le と判定します． 5 ESC 文字 または 8 ビット目の立っている文字が含まれていなければ，ascii と判定しま す。ESC を除いた ASCII 制御文字 (0x00-0x1F 及び 0x7F) は ascii の範囲内と見做しま す。 6 JISエスケープシーケンスが含まれていれば，jis と判定します． 7 J-PHONE の絵文字が含まれていれば，sjis-jsky と判別します． 8 EUC-JP コードとして正しい形式なら，euc と判定します． 9 SJIS コードとして正しい形式なら，sjis と判定します． 10 SJIS コードと au の絵文字として正しい形式なら，sjis-au と判定します． 11 SJIS と i-mode の絵文字として正しい形式なら，sjis-imode と判別します． 12 SJIS と dot-i の絵文字として正しい形式なら，sjis-doti と判別します． 13 UTF-8 として正しい形式なら，utf8 と判定します． 14 いずれにも当てはまらない場合，unknown と判定します． (XS時) 1 UTF-32 の BOM があれば，utf32 と判定します． 2 UTF-16 の BOM があれば，utf16 と判定します． 3 以下のコードについて, 正しい文字コードであることを状態遷移を用いて調べます. ascii / euc / sjis / jis / utf8 / utf32-be / utf32-le / sjis-jsky / sjis-imode / sjis-au / sjis-doti 4 最後まで正しかったものの中から, 以下の優先順で１つをえらんで, それと判定します. utf32-be / utf32-le / ascii / jis / euc / sjis / sjis-jsky / sjis-imode / sjis-au / sjis-doti / utf8 5 いずれにも当てはまらない場合，unknown と判定します． 以上のアルゴリズムのため，以下の点に注意してください． * UTF-8 文字列でも，SJISコードと見なされる可能性があります． * UCS2 の自動判別はできません． * UTF-16 は BOM がある場合のみ自動認識します． * 携帯絵文字は，バイナリで直接絵文字がある場合のみ認識できます． &#dddd; 形式で記述されている場合は，携帯絵文字の自動判別は行われません． XSとPurePerlでは, 判別のアルゴリズムに違いがあるため, 異なる結果になる可能性があります. 特に, エスケープ文字を含んでいるsjisの場合, PurePerlではsjisと認識しますが XSでは認識しません. これはsjis-jskyと区別できなくなるためです. また, この 作用による誤認識を防ぐため, euc-jpにおいても, 同様にエスケープ文字を受け付けなく なっています. $code = $s->getcodelist($str) $str: 文字列 $code: 文字コードを表す文字列 渡された文字列(*$str*)の文字コードを自動判別します． getcode とは違い, すべての受理可能な文字コードの 一覧を返します. $str = $s->conv($ocode, $encode) $ocode: 出力コード (以下から指定) utf8 ucs2 ucs4 utf16 sjis cp932 euc euc-jp jis sjis-imode sjis-imode1 sjis-imode2 utf8-imode utf8-imode1 utf8-imode2 sjis-doti sjis-doti1 sjis-jsky sjis-jsky1 sjis-jsky2 jis-jsky jis-jsky1 jis-jsky2 utf8-jsky utf8-jsky1 utf8-jsky2 sjis-au sjis-au1 sjis-au2 jis-au jis-au1 jis-au2 sjis-icon-au sjis-icon-au1 sjis-icon-au2 euc-icon-au euc-icon-au1 euc-icon-au2 jis-icon-au jis-icon-au1 jis-icon-au2 utf8-icon-au utf8-icon-au1 utf8-icon-au2 binary ( も参照.) 携帯向け文字コードのうち，末尾に数字がついているものは，数字が大きいほど 大きな絵文字セット（最新機種の絵文字セット）を表しています． 数字なしのものは，もっとも数字が大きい文字コードと同一です． $encode: バイナリ符号化方式．省略可． $str: 文字列 文字列を指定した文字コードに変換してから取り出します． 文字エンコードには，'base64' のみ指定可能です． base64 を指定した場合は，base64 エンコードされた 文字列が返されます． perl-5.8.0 以降において, 出力は utf-8 フラグを持たないバイト列になります. $s->tag2bin 文字列中に含まれる &#dddd; 形式の文字列を，それが表す文字自体に置き換えます． $s->z2h 全角を半角に変換します． $s->h2z 半角を全角に変換します． $s->hira2kata ひらがなをカタカナに変換します． $s->kata2hira カタカナをひらがなに変換します． $str = $s->jis $str: JIS エンコーディング形式のバイト列 文字列を JIS（ISO-2022-JP） コードで取り出します． $str = $s->euc $str: euc-jp エンコーディング形式のバイト列 文字列を EUC-JP コードで取り出します． $str = $s->utf8 $str: utf-8 エンコーディング形式のバイト列 文字列を UTF-8 コードで取り出します． perl-5.8.0 以降においても, バイト列を返します. $str = $s->ucs2 $str: ucs2 エンコーディング形式のバイト列 文字列を UCS2 コードで取り出します． $str = $s->ucs4 $str: ucs4 エンコーディング形式のバイト列 文字列を UCS4 コードで取り出します． $str = $s->utf16 $str: ucs-16 エンコーディング形式のバイト列 文字列を UTF-16 コードで取り出します． BOMは付きません． ビックエンディアン形式で返されます． $str = $s->sjis $str: sjis エンコーディング形式のバイト列 文字列を SJIS（MS-CP932） コードで取り出します． $str = $s->sjis_imode $str: sjis/imode絵文字 エンコーディング形式のバイト列 文字列を i-mode 端末向けの SJIS コードで取り出します． 最新のimode絵文字の別名です. $str = $s->sjis_imode1 $str: sjis/imode 絵文字 エンコーディング形式のバイト列 文字列を i-mode 端末向けの SJIS コードで取り出します． 基本絵文字だけから成ります. $str = $s->sjis_imode2 $str: sjis/imode 絵文字 エンコーディング形式のバイト列 文字列を i-mode 端末向けの SJIS コードで取り出します． 基本絵文字, 拡張絵文字を含みます. $str = $s->sjis_doti $str: sjis/dot-i 絵文字 エンコーディング形式のバイト列 文字列を dot-i 端末向けの SJIS コードで取り出します． $str = $s->sjis_jsky $str: sjis/j-sky 絵文字 エンコーディング形式のバイト列 文字列を j-sky 端末向けの SJIS コードで取り出します． 最新のj-sky絵文字(VERSION 0.15 では, jsky2)の別名です. $str = $s->sjis_jsky1 $str: sjis/j-sky 絵文字 エンコーディング形式のバイト列 文字列を j-sky 端末向けの SJIS コードで取り出します． Page 1～3 のみの絵文字を含みます. $str = $s->sjis_jsky $str: sjis/j-sky 絵文字 エンコーディング形式のバイト列 文字列を j-sky 端末向けの SJIS コードで取り出します． Page 1～6 の絵文字を含みます. $str = $s->sjis_icon_au $str: sjis/AU iconタグ エンコーディング形式のバイト列 文字列を AU 端末向けの SJIS コードで取り出します． $str_arrayref = $s->strcut($len) $len: 分割する文字数(全角相当) $str_arrayref: 文字列 *$len*で指定された文字数(全角)以下の文字列の配列に分割します． 配列の各要素は, utf-8 フラグを持ったutf-8文字列です. $len = $s->strlen $len: 文字列の表示幅 UTF-8 文字に対して length() を使うと全角文字は１文字あたり長さ 3 になってしまいますが， このメソッドを使用すると，従来の SJIS のように，全角文字は１文字あたり長さ 2 を返します． $s->join_csv(@values); @values: データ配列 配列を CSV 文字列に変換し，インスタンスに格納します． 文字列の最後には改行("\n")が追加されます． @values = $s->split_csv; @values: データ配列 インスタンスに格納されている文字列を CSV と見なし，配列に分割します． 文字列の最後にある改行("\n")は取り除かれてから分割されます． 入力が binary でなければ utf-8 文字列を返します. binary だったときはバイト列を返します. サポートされているエンコーディング +---------------+----+-----+-------+ |encoding | in | out | guess | +---------------+----+-----+-------+ |auto : OK : -- | ----- | +---------------+----+-----+-------+ |utf8 : OK : OK | OK | |ucs2 : OK : OK | ----- | |ucs4 : OK : OK | ----- | |utf16-be : OK : -- | ----- | |utf16-le : OK : -- | ----- | |utf16 : OK : OK | OK(#) | |utf32-be : OK : -- | OK | |utf32-le : OK : -- | OK | |utf32 : OK : -- | OK(#) | +---------------+----+-----+-------+ |sjis : OK : OK | OK | |cp932 : OK : OK | ----- | |euc : OK : OK | OK | |euc-jp : OK : OK | ----- | |jis : OK : OK | OK | +---------------+----+-----+-------+ |sjis-imode : OK : OK | OK | |sjis-imode1 : OK : OK | ----- | |sjis-imode2 : OK : OK | ----- | |utf8-imode : OK : OK | ----- | |utf8-imode1 : OK : OK | ----- | |utf8-imode2 : OK : OK | ----- | +---------------+----+-----+-------+ |sjis-doti : OK : OK | OK | |sjis-doti1 : OK : OK | ----- | +---------------+----+-----+-------+ |sjis-jsky : OK : OK | OK | |sjis-jsky1 : OK : OK | ----- | |sjis-jsky2 : OK : OK | ----- | |jis-jsky : OK : OK | ----- | |jis-jsky1 : OK : OK | ----- | |jis-jsky2 : OK : OK | ----- | |utf8-jsky : OK : OK | ----- | |utf8-jsky1 : OK : OK | ----- | |utf8-jsky2 : OK : OK | ----- | +---------------+----+-----+-------+ |sjis-au : OK : OK | OK | |sjis-au1 : OK : OK | ----- | |sjis-au2 : OK : OK | ----- | |jis-au : OK : OK | ----- | |jis-au1 : OK : OK | ----- | |jis-au2 : OK : OK | ----- | |sjis-icon-au : OK : OK | ----- | |sjis-icon-au1 : OK : OK | ----- | |sjis-icon-au2 : OK : OK | ----- | |euc-icon-au : OK : OK | ----- | |euc-icon-au1 : OK : OK | ----- | |euc-icon-au2 : OK : OK | ----- | |jis-icon-au : OK : OK | ----- | |jis-icon-au1 : OK : OK | ----- | |jis-icon-au2 : OK : OK | ----- | |utf8-icon-au : OK : OK | ----- | |utf8-icon-au1 : OK : OK | ----- | |utf8-icon-au2 : OK : OK | ----- | +---------------+----+-----+-------+ |ascii : OK : -- | OK | |binary : OK : OK | ----- | +---------------+----+-----+-------+ (#): guessed when it has bom. 自動認識優先順位 1. utf32 (#) 2. utf16 (#) 3. utf32-be 4. utf32-le 5. ascii 6. jis 7. sjis-jsky (pp) 8. euc 9. sjis 10. sjis-jsky (xs) 11. sjis-au 12. sjis-imode 13. sjis-doti 14. utf8 15. unknown ## DESCRIPTION OF UNICODE MAPPING Unicode とのマッピングは以下のように行われます． Shift_JIS MS-CP932 として Unicode へマッピングを行います． マッピングテーブルは以下のURLのものを使用しています． Unicode から SJIS へマッピングする場合に，表現できない文字があると， その文字は &#dddd; 形式に変換します． ただし，携帯絵文字は「?」に変換されます． また，携帯向けの SJIS へ変換するときは，全ての表現できない文字は「?」に変換されます． EUC-JP/ISO-2022-JP 一度SJISコードに変換してから，Unicode へマッピングします． このとき，SJIS で表現できない文字が含まれていた場合， その文字は正しくマッピングできません． DoCoMo i-mode F800 - F9FF の領域のうち絵文字が存在する部分を，U+0FF800 - U+0FF9FF の領域にマッピングします． ASTEL dot-i F000 - F4FF の領域のうち絵文字が存在する部分を，U+0FF000 - U+0FF4FF の領域にマッピングします． J-PHONE J-SKY J-SKY の絵文字は，エスケープシーケンス "\e\$" の後に，絵文字1バイト目， 1つ以上の絵文字2バイト目，"\x0f"，と続きます． 1バイト目が同じ絵文字が続く場合は，2バイト目のみを連続して書くことで 圧縮することができます． この1バイト目と2バイト目のペアを1文字と見なして，4500 - 47FF の領域を， U+0FFB00 - U+0FFDFF の領域にマッピングします． [Unicode::Japanese] では，Unicode から J-SKY 絵文字にマッピングするとき， 1バイト目が同一である絵文字が連続している場合は，圧縮処理を自動的に行います． AU 絵文字が存在する部分を，U+0FF500 - U+0FF6FF の領域にマッピングします． PurePerl mode use [Unicode::Japanese] qw(PurePerl); use 時の引数に 'PurePerl' を与えることで, XSを使わないことを明示的に宣言できます. バグ バグや要望は "bug-unicode-japanese at rt.cpan.org" 宛に 報告してください. 若しくは <>. にある web インターフェースからでもかまいません. そこから私に通知され, そして私が変更を行うことで報告頂いたバグの進捗は 自動的にあなたに伝わります. * EUC-JP，JIS コードは，SJIS に変換されてから UTF-8 へ変換されるため， SJIS で表現できない文字列は正しく変換することはできません． * XSを使用している場合，EUC-JP，SJIS(絵文字含む)コードの文字列中に \e が含まれると，EUC-JP，SJIS コードの判定に失敗し， 正しく自動判別や変換を行うことが出来ません． * Japanese.pm はファイル後半にバイナリを含むため，FTP の ASCII モードで 転送するとファイルが壊れます． サポート このモジュールのドキュメントは perldoc コマンドで見ることが出来ます. perldoc [Unicode::Japanese] また, 以下の場所でも見ることが出来ます: * AnnoCPAN: Annotated CPAN documentation <> * CPAN Ratings <> * RT: CPAN's request tracker <> * Search CPAN <> ## CREDITS Thanks very much to: NAKAYAMA Nao SUGIURA Tatsuki & Debian JP Project 著作権及びライセンス Copyright 2001-2008 SANO Taku (SAWATARI Mikage) and YAMASHINA Hio, all rights reserved. このプログラムはフリーソフトウェアです。あなたは Perl と同じ ライセンスの 元で再配布及び変更を行うことが出来ます.