Javaでの文字コードの扱い

Javaでの文字コードの扱い

[Java][文字化け]

なんだかんだといつも厄介な文字コードの変換についてのメモ

結局、ファイル読込み、文字列変数の取り扱い、ファイル書き込みなどの各局面で、実際はどの文字コードが使用されているかを考え、適切にコンバートすることが肝要

• インターネットの言葉と技術
• Javaでの文字コードの扱い

 Javaに限らず、厄介な文字化けについて

[文字化け]

 基本事項

Stringクラス

仕様では、String クラスはUnicode文字の並びを表す

• String クラスのソースコード(%JAVA_HOME%/src.zip)を見ると、Unicode文字の並びをchar型の配列として保持している。
• char型は、Unicode文字を表す16ビット符号無し整数で、'\u0000'〜'\uffff' すなわち 0〜65535を表現できる
• Javaで扱うUnicodeは、1文字を16ビット(2バイト)UCS-2である。
• 現在はUnicode全体は4バイトで定義(UCS-4)されている。

ソースコードの変換

ソースコードのコンパイル時、プラットフォームの文字コードやファイルの文字コードに依存してしまう。

• Windowsでソースを書いてLinuxでコンパイルを行ったりするような場合には、プラットフォームとソースコードの文字コードの不一致によって文字化けが発生する。
• native2ascii を使用して、ソースコードに含まれるUnicode以外の文字を、Unicodeエスケープに変換する。

プロパティファイルの変換

• プロパティファイル等、Java プログラムで利用するファイルも、ソースコード同様、native2ascii を使用して文字コードを変換する。

 ファイルの読み書き

プログラムの実行時にファイルを読込む必要がある場合等は、ファイルに合わせた文字コードでファイルを読まなければ文字化けしてしまう場合がある。

文字コードを指定してファイルを読む

FileInputStream を利用することにより、文字コードを指定してファイルを読むことができる

BufferedReader reader  
  = new BufferedReader(new InputStreamReader(new FileInputStream("/var/files/ebicdic.txt"),"Cp943c"));

文字コードを指定してファイルを書く

FileInputStream を利用することにより、文字コードを指定してファイルを書くことができる

BufferedWriter writer 
   = new BufferedWriter(new OutputStreamWriter(new FileOutputStream("c:\\shift_jis.txt"), "MS932"))

 文字コードの変換

"Unicodeで定義された文字集合で表現された文字列" から "バイト列" へのエンコード方法、逆にデコード方法を指定する。

エンコード

エンコード方式(文字セット)を指定して、Stringからバイト列を取得する

byte[] String.getBytes(String charsetName)

• java.lang.StringCoding.encode(String charsetName, char[] value ...)
• sun.io.CharToByteConverter

デコード

デコード方式(文字セット)を指定して、バイト列からStringを生成する

new String(byte[] bytes, String charsetName)

• java.lang.StringCoding.decode(String charsetName, byte[] bytes ...)
• sun.io.ByteToCharConverter

文字コードの変換

上記を使用して、文字コードを変換する

String newCode = new String(oldCode.getBytes("Cp930"), "MS932");

デフォルトエンコード(デコード)

エンコード(デコード)方式を指定しないと、プラットフォームのデフォルトエンコーディングが使用される。

システムプロパティ

名前	説明	例
file.encoding	デフォルトのコード系	MS932
file.encoding.pkg	コード系を取り扱うパッケージ	sun.io
line.separator	行のセパレータ	CRLF

• System.getProperty("file.encoding")
• sun.io.Converters.getDefaultEncodingName()

文字コードの16進ダンプ

デバッグ用

 public static String stringDump(String s) {
   if (s == null) return "";
   StringBuffer buf = new StringBuffer();
   char[] c = s.toCharArray();
   for (int i=0; i<c.length; i++) {
     buf.append(Integer.toString((int)c[i], 16) + " ");
   }
   return buf.toString();
 }

文字コードの16進ダンプを復元

デバッグ用

 public static String decodeDumpString(String s) {
   StringBuffer result = new StringBuffer();
   StringTokenizer tok = new StringTokenizer(s.trim(), " "); 
   
   List lst = new ArrayList();
   while(tok.hasMoreTokens()) {
     lst.add(new Character((char)Integer.parseInt(tok.nextToken(),16)));
   }
   char[] buf = new char[lst.size()];
   for (int i=0; i<lst.size(); i++) {
     buf[i] = ((Character)lst.get(i)).charValue();
   }
   return (new String(buf));
 }

エンコーディング

• 文字コード
• Microsoftコードページ932
• Unicode

Javaでサポートされるエンコーディング

• 1.3(日本語)
• 1.4(日本語)
• 1.5(日本語)

エンコーディングの別名一覧

• sun.io.CharacterEncoding

その他

• MS932またはSJISの別名として定義されており、どちらの別名となるかはバージョンに依存している（JDK 1.3ではMS932だが、JDK 1.4ではSJISとなる）。
• http://www.atmarkit.co.jp/fjava/rensai2/webopt08/webopt08.html

CP943cとShift_JISの文字コードの違いについて

• http://www-1.ibm.com/support/docview.wss?uid=std3b32aea767378855449256f010028e2f4

 マルチパートのエンコード

ファイルアップロードの場合にファイル名が文字化けする

Form

<form id="formUpload" action="upload.html" method="POST" enctype="multipart/form-data" >
  <input name="attach_file" />
  <input type="submit" value="アップロード"/>
</form>

文字コードをiso-8859-1として変換

• http://ja.wikipedia.org/wiki/ISO/IEC_8859-1
• Spring の場合

@RequestMapping(value="/upload.html", method = RequestMethod.POST)
public String uploadFile(MultipartFile file) {
    String filename = new String(file.getOriginalFilename().getBytes("iso-8859-1"),"utf-8");
                :

ファイルダウンロード時にファイル名が文字化けする

//String fileName = new String(originalFileName.getBytes("utf-8"),"iso-8859-1"); // Chrome OK, IE NG
String fileName = new String(originalFileName.getBytes("ms932"),"iso-8859-1"); // Chrome OK, IE OK

response.setHeader("Content-Type", "application/octet-stream");
response.setHeader("Content-Disposition", "filename=\"" + fileName + "\"");

 Shift_JISの取り扱い

• MS932またはSJISの別名として定義されており、どちらの別名となるかはバージョンに依存している（JDK 1.3ではMS932だが、JDK 1.4ではSJISとなる）。
• 機種依存文字（NEC特殊文字、NEC選定IBM拡張文字、IBM拡張文字）や〜‖−¢£¬などの扱いが異なり、誤って使用すると“？”に文字化け

• http://www.atmarkit.co.jp/fjava/rensai2/webopt08/webopt08.html

• 文字コード 参照

円記号

• Shift_JISでは、半角円記号とバックスラッシュを区別しないが、する文字コード体系だと見た目上は、半角円記号なのに、Stringのメソッドが正しく動作しない(ように見える)

String str1 = "\u005c\u005c";
String str2 = "\u00a5";
System.out.println(str1 + " = " + str2);
System.out.println(str1.equals(str2));

\ = \
false

 ファイルの文字コードを判別する

• ファイルの文字コードを判別する

 その他

Webアプリケーションの文字化け対策

• Filterで文字化け対策
• 文字化けの対処

---

Java5.0でだいぶ機能追加があったけれど、丁寧に説明してくれてます。
試験対策でなくても非常に有用

ただ、試験範囲から外れちゃったところも多いので、こちらの本もあわせて読んでおくとよいかも(もったいないか?)

 その他文字化けについて

[文字化け]

• Excel VBA 文字列をバイト配列に変換
• Filterで文字化け対策
• HTML javascript：を利用するとデコードされる
• J2EE Tips
• Java ファイルの文字コードを判別する
• Javaでの文字コードの扱い
• Linux バックスペースが文字化けしてしまう
• Python URLエンコード
• Python UnicodeEncodeError の対処
• Python ファイルの文字コード
• SQL Plus
• WAS から Java Mail送信で文字化け
• vi
• 画面に入力された文字コードを調べる
• 文字コード
• 文字化けの対処