文字のチェック方式のバックアップ(No.3)

Open棟梁Project - マイクロソフト系技術情報 Wiki

戻る

目次 †

目次
概要
文字のチェック

↑

概要 †

↑

文字のチェック †

文字チェックは、文字化けを事前に防ぐために行われる。

以下の文字チェック・ルーチンが一般的である。

↑

エンコード後、範囲チェック †

↑

JIS第1第2水準漢字チェック †

仕様:
JIS第1第2水準漢字をチェックする

実装:
シフトJISのコード範囲でチェックを行う必要があるので、
一文字づつシフトJISにエンコード、数値型に変換し範囲チェックを行う。

サンプルコード:
- JISX0208_1983Checker
  https://github.com/OpenTouryoProject/OpenTouryo/blob/develop/root/programs/C%23/Frameworks/Infrastructure/Business/Str/JISX0208_1983Checker.cs

//**********************************************************************************
//* All Rights Reserved, Copyright (C) 2007,2012 Hitachi Solutions,Ltd.
//**********************************************************************************

//**********************************************************************************
//* クラス名        ：JISX0208_1983Checker
//* クラス日本語名  ：JIS X 0208-1983文字コード範囲チェック・クラス
//* 　　　　　　　　　・01～08区：記号、英数字、かな
//* 　　　　　　　　　・16～47区：JIS第1水準漢字
//* 　　　　　　　　　・48～84区：JIS第2水準漢字
//*   　　　　　　　　※JIS X 0208-1990で追加された「凜[7425]」「熙[7426]」は含まれない
//* 　　　　　　　　　※NEC機種依存文字、NECのIBM拡張文字、IBM拡張文字は含まれない

↑

Unicodeの外字範囲チェック †

仕様：
Unicodeの外字範囲をチェックする。
- BMP領域 U+E000‐U+F8FF (6,400字)
- 15面 U+F0000‐U+FFFFD (65,534字)
- 16面 U+100000‐U+10FFFD (65,534字)
- 余談：シフトJISの外字範囲：U+E000～U+E757（0xF040～0xF9FC）。

実装：

一文字づつUnicode数値に変換し範囲チェックを行う。

Java、.NETの文字列はUnicodeのためUnicodeの範囲チェックは、
以下の様なコードで簡単にチェックできる。
（Unicode？JIS X 0221？各国の工業規格で使用されるか？）

string from = "文字列を初期化する。"
StringBuilder to = new StringBuilder();

foreach (char c in from)
{
    int charCode = (int)c;

    if (57344 <= charCode && charCode <= 63743)
    {
        // Unicodeの外字範囲
         // BMP領域 U+E000‐U+F8FF (6,400字)
    }
    else if (983040 <= charCode && charCode <= 1048573)
    {
        // Unicodeの外字範囲
         // 15面 U+F0000‐U+FFFFD (65,534字)
    }
    else if (1048576 <= charCode && charCode <= 1114109)
    {
        // Unicodeの外字範囲
         // 16面 U+100000‐U+10FFFD (65,534字)
    }
    else
    {
        // Unicodeの外字でない。
    }
}

↑

個別チェック †

コード表で連続しない文字をチェックする。

↑

JIS2004チェック †

追加文字チェック
- 仕様：
  JIS2004で追加された文字をチェックする。
- 実装：
  Unicodeのみに存在し、コード範囲もバラバラなので、
  JIS2004追加文字配列を初期化し、一文字づつ、比較処理を行う。

サロゲートペア文字チェック

仕様：JIS2004で追加されたサロゲートペア文字をチェックする。

実装：

char.IsSurrogate?()メソッドを使用する。

正規表現を使用する。以下サンプル・コード。

//ここに判定する文字列を入れる。
string strSurrogatesPair = textBox1.Text;
Regex rg = new Regex("^[^\uD800-\uDBFF\uDC00-\uDFFF]+$");
//サロゲート ペア文字が文字列中に含まれているか
//Regex.IsMatch() メソッド判定
if ( rg.IsMatch( strSurrogatesPair ) )
{
  // サロゲートペア文字が含まれていない。
}
else
{
  // サロゲートペア文字が含まれている。
}

// 結合文字はチェックできない。

結合文字チェック
- 現状、ハッキリした方法が無い。
  - サロゲートペアや結合文字が含まれているか調べる .NET Tips C#, VB.NET
    http://dobon.net/vb/dotnet/string/issurrogatepair.html#section4
    結合文字が含まれているか調べる
    
    ただし、Marksカテゴリにすべての結合文字が含まれているか、
    そして、結合文字以外の文字が一切含まれていないかについては、はっきりしていません。

サンプルコード:
- JIS2k4Checker
  https://github.com/OpenTouryoProject/OpenTouryo/blob/develop/root/programs/C%23/Frameworks/Infrastructure/Public/Str/JIS2k4Checker.cs

↑

エンコーディングを使用したチェック †

特定のエンコーディングの

コードページ範囲内の文字であるか？
Unicodeからの双方向のエンコーディングか可能か？

をチェックできる。

↑

例：MS932の範囲内であるか？のチェック †

以下のようにエンコーディングを行う。
1. ①Unicode文字列
2. →MS932エンコーディング
3. →②MS932文字列（バイト配列）
4. →MS932デコーディング++→③Unicode文字列

上記の結果から、
①Unicode文字列と、③Unicode文字列を比較し＝か？をチェックする。

文字のチェック方式 のバックアップ(No.3)