技術情報
ユニコード
JIS、シフトJIS、EUC_JPはいずれも、日本語だけを対象にした文字コードです。他の言語の文字に対しては互換性がありません。それに対して「ユニコード」は世界中のあらゆる言語を対象にし、すべての文字を一つの文字コードで表そうという試みです。現在、漢字に対しては日本、中国（簡体字、繁体字）の漢字を一つの文字集合にまとめたものが実用化されています。ユニコードの特徴は以下のとおりです。
- ユニコードを使えば、一つの文書の中で日本語、中国語を混在させた表現が可能です。
- 同じような書体の文字は元の文字集合とは関係なく同じコードを割り振られています。このため、JISコードからユニコードへの変換、その逆の変換はいずれも計算ではできず、変換テーブルを参照して変換する必要があります。
- Windows2000、XPとでは内部コードとしてこのユニコードを使用しています。
ユニコードは32ビット（00000000-FFFFFFFF）を使用する膨大な量の文字を指定できる構想ですが、現在はそのうち16ビット（00000000-0000FFFF）が規定されています。0000を略して、通常は0000-FFFFの16ビットを指して、「ユニコード」と称しています。
ユニコードに指定されている文字は以下の表のとおりです。
| 名称 | 説明 | コード |
|---|---|---|
| Bacic Latin | ラテン文字 | 0x0020-0x007F |
| Latin-1 Supplement | ラテン文字拡張 | 0x0080-0x00FF |
| Latin Extended-A | ラテン文字拡張Ａ | 0x0100-0x017F |
| Latin Extended-B | ラテン文字拡張Ｂ | 0x0180-0x024F |
| IPA Extensions | 国際発音記号 | 0x0250-0x02AF |
| Spacing Modifier Letters | 国際発音記号 長音記号、アクセント記号 | 0x02B0-0x02FF |
| Combining Diacritical Marks | 国際発音記号 合成用記号 | 0x0300-0x036F |
| Greek and Coptic | ギリシャ文字 | 0x0370-0x03FF |
| Cyrillic | キリル文字 | 0x0400-0x04FF |
| Cyrillic Supplementary | キリル文字 | 0x0500～0x052F |
| Armenian | アルメニア文字 | 0x0530-0x058F |
| Hebrew | ヘブライ文字 | 0x0590-0x05FF |
| Arabic | アラビア文字 | 0x0600-0x06FF |
| Syriac | シリア文字 | 0x0700-0x074F |
| Thaana | ターナ文字（モルディブ） | 0x0780-0x07BF |
| Devanagari | デーバナーガリ文字（インド・サンスクリット語、ヒンディー語、マラーティー語、ネパール語） | 0x0900-0x097F |
| Bengali | ベンガル文字（インド・ベンガル語） | 0x0980-0x09FF |
| Gurmukhi | グルムキー文字（インド・パンジャブ語） | 0x0A00-0x0A7F |
| Gujarati | グジャラート文字（インド・グジャラート語） | 0x0A80-0x0AFF |
| Oriya | オリヤ文字（インド・オリヤ語） | 0x0B00-0x0B7F |
| Tamil | タミル文字（インド・タミル語） | 0x0B80-0x0BFF |
| Telugu | テルグ文字（インド・テルグ語） | 0x0C00-0x0C7F |
| Kannada | カンナダ文字（インド・カンナダ語） | 0x0C80-0x0CFF |
| Malayalam | マラヤラム文字（インド・マラヤラム語） | 0x0D00-0x0D7F |
| Sinhala | シンハラ文字（インド・シンハラ語） | 0x0D80-0x0DFF |
| Thai | タイ文字 | 0x0E00-0x0E7F |
| Lao | ラオ文字（ラオス） | 0x0E80-0x0EFF |
| Tibetan | チベット文字 | 0x0F00-0x0FFF |
| Myanmar | ミャンマー文字 | 0x1000-0x109F |
| Georgian | グルジア文字 | 0x10A0-0x10FF |
| Hangul Jamo | ハングル字母 | 0x1100-0x11FF |
| Ethiopic | アムハラ文字（エチオピア） | 0x1200-0x137F |
| Cherokee | チェロキー文字（アメリカ先住民） | 0x13A0-0x13FF |
| Unified Canadian Aboriginal Syllabic | 統合カナダ先住民音節 | 0x1400-0x167F |
| Ogham | オーガム文字（アイルランド古代） | 0x1680-0x169F |
| Runic | ルーニック文字（イギリス古代） | 0x16A0-0x16FF |
| Tagalog | タガログ文字（フィリピン） | 0x1700-0x171F |
| Hanunoo | ハノヌオ文字（フィリピン） | 0x1720-0x173F |
| Buhid | ブーヒッド文字（フィリピン） | 0x1740-0x175f |
| Tagbanwa | タグバンワ文字（フィリピン） | 0x1760-0x177F |
| Khmer | クメール文字（カンボジア） | 0x1780-0x17FF |
| Mongolian | モンゴル文字 | 0x1800-0x18AF |
| Latin Extended Additional | ラテン文字拡張追加 | 0x1E00-0x1EFF |
| Greek Extended | ギリシア文字拡張 | 0x1F00-0x1FFF |
| General Punctuation | 一般句読点 | 0x2000-0x206F |
| Superscripts and Subscripts | 上付き・下付き文字 | 0x2070-0x209F |
| Currency Symbols | 通貨記号 | 0x20A0-0x20CF |
| Combining Marks for Symbols | 半記号（合成可能) | 0x20D0-0x20FF |
| Letterlike Symbols | 文字様記号 | 0x2100-0x214F |
| Number Forms | 数字に準じるもの | 0x2150-0x218F |
| Arrows | 矢印 | 0x2190-0x21FF |
| Mathematical Operators | 数学記号 | 0x2200-0x22FF |
| Miscellaneous Technical | その他の技術用記号 | 0x2300-0x23FF |
| Control Pictures | 制御機能用記号 | 0x2400-0x243F |
| Optical Character Recognition | 光学的文字認識 | 0x2440-0x245F |
| Enclosed Alphanumerics | 囲み英数字 | 0x2460-0x24FF |
| Box Drawing | 罫線素辺 | 0x2500-0x257F |
| Block Elements | ブロック要素 | 0x2580-0x259F |
| Geometric Shapes | 幾何学模様 | 0x25A0-0x25FF |
| Miscellaneous Symbols | その他の記号 | 0x2600-0x26FF |
| Dingbats | 装飾記号 | 0x2700-0x27BF |
| Miscellaneous Mathematical Symbols-A | その他の数学記号Ａ | 0x27CF-0x27EF |
| Supplemental Arrows-A | 矢印追加Ａ | 0x27F0-0x27FF |
| Braille Patterns | 点字図形 | 0x2800-0x28FF |
| Supplemental Arrows-B | 矢印追加Ｂ | 0x2900-0x297F |
| Miscellaneous Mathematical Symbols-B | その他の数学記号Ｂ | 0x2980-0x29FF |
| Supplemental Mathematical Operators | その他の数学記号 | 0x2A00-0x2AFF |
| CJK Radicals Supplement | ＣＪＫ部首補助 | 0x2E80-0x2EFF |
| Kangxi Radicals | 康煕部首 | 0x2F00-0x2FDF |
| Ideographic Description Characters | 漢字構成記述文字 | 0x2FF0-0x2FFF |
| CJK Symbols and Punctuation | ＣＪＫの記号及び句読点 | 0x3000-0x303F |
| Hiragana | 平仮名 | 0x3040-0x309F |
| Katakana | 片仮名 | 0x30A0-0x30FF |
| Bopomofo | 注音字母 | 0x3100-0x312F |
| Hangul Compatibility Jamo | ハングル互換字母 | 0x3130-0x318F |
| Kanbun | 漢文用記号 | 0x3190-0x319F |
| Bopomofo Extended | 注音字母拡張 | 0x31A0-0x31BF |
| Enclosed CJK Letters and Months | 囲みＣＪＫ文字・月 | 0x3200-0x32FF |
| CJK Compatibility | ＣＪＫ互換漢字 | 0x3300-0x33FF |
| CJK Unified Ideographs Extension A | ＣＪＫ統合漢字拡張Ａ | 0x3400-0x4DBF |
| CJK Unified Ideographs | ＣＪＫ統合漢字 | 0x4E00-0x9FAF |
| Yi Syllables | イ文字（中国） | 0xA000-0xA48F |
| Yi Radicals | イ文字部首 | 0xA490-0xA4CF |
| Hangul Syllables | ハングル音節文字 | 0xAC00-0xD7AF |
| CJK Compatibility Ideographs | ＣＪＫ互換漢字 | 0xF900-0xFAFF |
| Alphabetic Presentation Forms | アルファベット表示形Ａ | 0xFB00-0xFB4F |
| Arabic Presentation Forms-A | アラビア表示形Ａ | 0xFB50-0xFDFF |
| Combining Half Marks | 半記号（合成可能） | 0xFE20-0xFE2F |
| CJK Compatibility Forms | ＣＪＫ互換形 | 0xFE30-0xFE4F |
| Small Form Variants | 小字形 | 0xFE50-0xFE6F |
| Arabic Presentation Forms-B | アラビア表示形Ｂ | 0xFE70-0xFEFF |
| Halfwidth and Fullwidth Forms | 半角・全角形 | 0xFF00-0xFFEF |
| Specials | 特殊用途文字 | 0xFFF0-0xFFFF |
utf-8
実際の文字コードにはユニコードをほぼそのまま使うutf-16と、ASCIIと共存可能なutf-8の二種類が使われています。インターネットではutf-8が使われます。
このエンコードでは下の表のようにビット列を加工し、ASCIIの文字は１バイトに、漢字（２バイト文字）は３バイトにして表現します。
| utf-8のエンコード法 | ||
|---|---|---|
| 範囲 | エンコード前のビット列 | エンコード後のビット列 |
| 0x0000～0x007F | 00000000 0aaaaaaa | 0aaaaaaa |
| 0x0080～0x07FF | 00000aaa bbbbbbbb | 110aaabb 10bbbbbb |
| 0x0800～0xFFFF | aaaaaaaa bbbbbbbb | 1110aaaa 10aaaabb 10bbbbbb |
エンコードされた文字列では、１バイトごとに次のように判別が可能です。
- 先頭の１ビットが「0」（0x00～0x7F）は１バイト文字または制御コードです。
- 先頭の２ビットが「10」（0x80～0xBF）は２バイトまたは３バイト文字の後続バイトです。
- 先頭の３ビットが「110」（0xC0～0xDF）は２バイト文字の先頭バイトです。
- 先頭の４ビットが「1110」（0xE0～0xEF）は３バイト文字の先頭バイトです。