文字コード > ギリシア文字

Table of Contents

ギリシア文字対応表
Unicodeとは？
Appendix: 文字コード
References

ギリシア文字対応表

一般的なギリシア文字は24文字から成り立っています.

大文字	JIS	Unicode	LaTex	小文字	JIS	Unicode	LaTex	読み
Α	`2621`	`0391`	`\Alpha`	α	`2641`	`03B1`	`\alpha`	アルファ
Β	`2622`	`0392`	`\Beta`	β	`2642`	`03B2`	`\beta`	ベータ
Γ	`2623`	`0393`	`\Gamma`	γ	`2643`	`03B3`	`\gamma`	ガンマ
Δ	`2624`	`0394`	`\Delta`	δ	`2644`	`03B4`	`\delta`	デルタ
Ε	`2625`	`0395`	`\Epsilon`	ε	`2645`	`03B5`	`\epsilon`	イプシロン
Ζ	`2626`	`0396`	`\Zeta`	ζ	`2646`	`03B6`	`\zeta`	ゼータ
Η	`2627`	`0397`	`\Eta`	η	`2647`	`03B7`	`\eta`	イータ
Θ	`2628`	`0398`	`\Theta`	θ	`2648`	`03B8`	`\theta`	シータ
Ι	`2629`	`0399`	`\Iota`	ι	`2649`	`03B9`	`\iota`	イオタ
Κ	`262A`	`039A`	`\Kappa`	κ	`264A`	`03BA`	`\kappa`	カッパ
Λ	`262B`	`039B`	`\Lambda`	λ	`264B`	`03BB`	`\lambda`	ラムダ
Μ	`262C`	`039C`	`\Mu`	μ	`264C`	`03BC`	`\mu`	ミュー
Ν	`262D`	`039D`	`\Nu`	ν	`264D`	`03BD`	`\nu`	ニュー
Ξ	`262E`	`039E`	`\Xi`	ξ	`264E`	`03BE`	`\xi`	グザイ, クシィー
Ο	`262F`	`039F`	`\Omicron`	ο	`264F`	`03BF`	`\omicron`	オミクロン
Π	`2630`	`03A0`	`\Pi`	π	`2650`	`03C0`	`\pi`	パイ
Ρ	`2631`	`03A1`	`\Rho`	ρ	`2651`	`03C1`	`\rho`	ロー
Σ	`2632`	`03A3`	`\Sigma`	σ	`2652`	`03C3`	`\sigma`	シグマ
Τ	`2633`	`03A4`	`\Tau`	τ	`2653`	`03C4`	`\tau`	タウ
Υ	`2634`	`03A5`	`\Upsilon`	υ	`2654`	`03C5`	`\upsilon`	ウプシロン
Φ	`2635`	`03A6`	`\Phi`	φ	`2655`	`03C6`	`\phi`	ファイ
Χ	`2636`	`03A7`	`\Xi`	χ	`2656`	`03C7`	`\chi`	カイ
Ψ	`2637`	`03A8`	`\Psi`	ψ	`2657`	`03C8`	`\psi`	プサイ
Ω	`2638`	`03A9`	`\Omega`	ω	`2658`	`03C9`	`\omega`	オメガ`

Unicodeとは？

コンピューター上で利用する文字と, 各文字に割り当てた数値の対応関係のことを文字コードといいます. 最も基本的な文字コードとしてASCIIコードがあり, 半角の英数字や記号などが定義されています.

文字コードは2つの要素から成り立っています:

符号化文字集合: 表現したい文字の範囲
文字符号化方式（エンコーディング）: 文字集合を構成する個々の文字の表現方法（数値の振り方）

この「符号化文字集合」にはJISやASCIIがあり, Unicodeもこの一種です. Unicodeはギリシャ語, 日本語, 中国語, 記号など、世界で使われているすべての文字を共通の文字集合で利用できることを目的にユニコード・コンソーシアムという団体によって作成された背景があります.

Column: なぜ共通の文字コードが必要なのか？

コンピューター内では, 文字を取り扱う際に文字そのものではなく文字コードと呼ばれる特殊な数値を使って文字を表しています. コンピューター間で共通の文字コードがあることによって, 電子メールなどの文字をやり取りする通信サービスで, 送信側がエンコードした文字情報を受信側でもデコードすることができ, それぞれの利用者が共通の文字列を眺めることができるようになります.

エンコード: 人間のわかる言葉を文字コードへ変換すること
デコード: 文字コードを人間のわかる言葉に直すこと

UnicodeとUTF-8の関係

Unicodeで割り振ったコードポイントの文字符号化形式(encoding形式)の一種です. なので厳密には文字コードそれ自体ではなく, その構成要素としての「文字符号化方式（エンコーディング）」のことです.

UTF-8の特徴として

ASCIIと同じ文字は1バイト
その他の文字については2～6バイトを用いて文字を表現する

という特徴があります. ASCIIとの対応関係があるので 「ASCIIと上位互換性がある」 と言われたりします.

今回は詳しく説明しないですが, UTF-16と異なりUTF-8にはエンディアンの問題がないというメリットがあります.

UnicodeとUTF-8の対応例として, 小文字ギリシア文字の $\alpha$ を考えます.

文字	Unicode	UTF-8
α	`03B1`	`0xCE 0xB1`

他のエンコーディング方式の特徴

UTF-7	ASCII文字だけを使用することが前提の電子メールで利用するために, 7ビットで表現
UTF-16	2バイトで表現する領域に収まらない文字は, 上位サロゲートと下位サロゲートを組み合わせて4バイトで表現. BE(Big Endian)とLE(Little Endian)の2種類がある
UTF-32	各符号位置が4バイトの固定長で表現

UTF-8の変換ルール

Unicodeを2進数へ一旦変換し, その値をUTF-8の2進数へ変換, 16進数UTF-8へ変換するのが基本です. しかし, Unicode2進数をUTF-8の2進数へ変換する際に, Unicodeの範囲の応じて変換ルールが異なります.

範囲	Unicode	UTF-8の2進数表現
範囲1	`U+0000` - `U+007F`	`0xxx xxxx`
範囲2	`U+0080` - `U+07FF`	`110x xxxx 10xx xxxx`
範囲3	`U+0800` - `U+FFFF`	`1110 xxxx 10xx xxxx 10xx xxxx`
範囲4	`U+1000` - `U+10FFFF`	`1111 0xxx 10xx xxxx 10xx xxxx 10xx xxxx`

なお, 範囲1のU+0000 - U+007Fの文字はUS-ASCIIと互換を持っており, UTF-8の表現範囲は0x00 - 0x7Fとなります.

Tips

Unicode文字列をUTF-8でエンコードすると，各文字のエンコード結果の先頭バイトは2進表示が0又は11で始まり, それ以降のバイトは10で始まります. つまり, 1 byte = 8 bitなので, 最初の8桁は0又は11で始まり, それ以降の8桁グループは 10で始まる.

Example

$\alpha$を例に, UnicodeからUTF-8への変換を紹介します.

$\alpha$のUnicode 03B1 を2進数に変換する → 011 1011 0001
03B1は範囲2なので範囲2のルールに従って変換する → 1100 1110 1011 0001
1100 1110 1011 0001を16進数変換する → CEB1
16進数リテラルの表記へ変換する → 0xCE 0xB1

UTF-8エンコードされたUnicodeに慣れよう

Problem: 文字数カウント

Unicode文字列をUTF-8でエンコードすると,各文字のエンコード結果の先頭バイトは2進表示が0又は11で始まり,それ以降のバイトは10で始まる. 16進表示された次のデータは何文字のUnicode文字列をエンコードしたものか?

CF 80 E3 81 AF E7 B4 84 33 2E 31 34 E3 81 A7 E3 81 99

解答

先頭が11になるビットは16進表記でC～F

なので

CF 80 E3 81 AF E7 B4 84 33 2E 31 34 E3 81 A7 E3 81 99

なのでデータに含まれる文字数は9文字

Appendix: 文字コード

コンピューター上で文字や記号を扱うために, 1つ1つの文字や記号に与えられた識別用の数字(=バイト表現)を文字コードといいます. 最も基本的な文字コードととしてASCIIコードがあり, これに日本語の文字コードを加えたものがShift-JIS(SJIS)です.

CP932は「①」などのいわゆる機種依存文字をMicrosoftがSJISに追加した文字コードです. CP932はSJISの文字集合のスーパーセットと考えることができます.

符号化方式

文字コードの構成要素は文字集合だけでなく, 符号化方式も含まれます. 符号化方式とは, 文字集合を構成する個々の文字の表現方法です. Unicodeという文字集合の表現方法として, UTF-8, UTF-16, UTF-32がありますがそれぞれ文字集合の符号化方式がことなるので別の文字コードとして取り扱われています.

文字	コードポイント(Unicode)	UTF-32	UTF-16	UTF-8
a	61	61 00 00 00	61 00	61
α	3B1	B1 03 00 00	B1 03	CE B1
あ	3042	42 30 00 00	42 30	E3 81 82

UTF-8がなぜ推奨されるのか

VSCodeではUTF-8がデフォルトエンコーディングとされています. UTF-8の特徴として,

既存のASCII文字（いわゆる半角文字）しか使えない通信路やシステムなどでも、大きな変更なしにそのまま使える
UTF-8にはエンディアンの問題がない(UTF-16ではBig Endian/Little Endianの区別必要)
Unicode standardでは, BOMを加えることは非推奨

ファイルの文字コードを確認する方法

file -e encodingとオプションを指定することでファイルの文字コードを確認することができます. カレントディレクトリに存在するファイルのエンコーディングを確認したい場合は, xargsコマンドを組合せて

% find -maxdepth 1 -type f | xargs -n1 file -e encoding
./test_utf8.md: UTF-8 Unicode text
./test_utf8_bom.txt: UTF-8 Unicode (with BOM) text, with no line terminators
./test_ascii.md: ASCII text
./test.sh: Bourne-Again shell script executable (binary data)
./test.pptx: Microsoft PowerPoint 2007+

BOM付UTF-8エンコーディングされたファイルからBOMを外したい場合は, nkfコマンドを用いて

% nkf --overwrite --oc=UTF-8 test_utf8_bom.txt   

References

UTF-8コード表

Share Buttons
Share on:

Feature Tags
Leave a Comment
(注意：GitHub Accountが必要となります）