Ruby で日本語文字コードの変換

日本語文字コードの変換

【要点】

• Ruby バージョン 1.9 以降: String::encode を使う
• Ruby バージョン 1.8 以下: NKF を使う

【Ruby バージョン 1.9 系列の String::encode に関する情報】

• encoding.name_list: エンコーディング名の取得
• String::encodig: エンコード情報の取得
• String::encode: エンコード
  Shift_JIS, Windows-31J, UTF-8, iso-2022-jp などを指定できる．
• String::force_encodig: エンコーディング情報の設定 (バイナリ文字列である "ASCII-8BIT" に設定するなど）
• String::valid_encoding?: エンコーディング情報が正しいか

【NKF の主要なオプション】

• j,s,e,w: 出力コードは JIS 7 ビット（デフォルト），Shift_JIS, EUC-JP, UTF-8(Byte Order Mark; BOM 無し)
• J,S,E,W: 入力される文字コードとして JIS 7 ビット（デフォルト），Shift_JIS, EUC-JP, UTF-8 を仮定する（自動推定しない）
• -X: 半角カナ (X0201) を全角に変換する （デフォルト）
• -x: 半角カナ (X0201) を半角カナのまま残す
• -m: MIME 文字列をデコードする （デフォルト）
• -m0: MIME 文字列をデコードしない
• Z[0-3]: X0208 alphabet を ASCII に変換

【ソースコード】

「-m0」を入れているのは，nkf の機能である MIME 文字列のデコードを抑止したいため．

#! ruby -Ks
# coding: windows-31j

require 'pp'
require 'nkf'

def windows31j_to_utf8(s)
  # Windows-31J から UTF-8 (Byte Order Mark; BOM 無し) へ変換
  # nkf については http://www.ruby-lang.org/ja/man/html/nkf.html
  if ( RUBY_VERSION < "1.9" )
    return NKF::nkf( '-Swm0', s )
  else
    # Ruby 1.9 では入力が "Windows-31J" かどうかは気にしない（自動判別機能を信じることにする）
    return s.encode("UTF-8")
  end
end

def utf8_to_windows31j(s)
  # UTF-8 から Windows-31J へ変換
  # nkf については http://www.ruby-lang.org/ja/man/html/nkf.html
  if ( RUBY_VERSION < "1.9" )
    return NKF::nkf( '-Wsm0', s )
  else
    # Ruby 1.9 では入力が "UTF-8" かどうかは気にしない（自動判別機能を信じることにする）
    return s.encode("Windows-31J")
  end
end

if __FILE__ == $0
  # 半角カナ
  print windows31j_to_utf8 "コンニチハ\n"
  print utf8_to_windows31j windows31j_to_utf8 "コンニチハ\n"

  # 「"① ② Ｉ Ⅱ ㍉ ㌢ ㈱"」は Shift_JIS にはなく，Shift_JIS を拡張した文字コードセットである Windows-31J にある
  print windows31j_to_utf8 "① ② Ｉ Ⅱ ㍉ ㌢ ㈱\n"
  print utf8_to_windows31j windows31j_to_utf8 "① ② Ｉ Ⅱ ㍉ ㌢ ㈱\n"

  # 「"‖ 〜 − ¢ £ ¬ " 」は Shift_JIS, EUC-JP, ISO-2022-JP では同じ文字コードなのに Windows-31J では違う文字コード
  print windows31j_to_utf8 "‖ 〜 − ¢ £ ¬ \n"
  print utf8_to_windows31j windows31j_to_utf8 "‖ 〜 − ¢ £ ¬ \n"

  # Shift_JIS では 2 バイト目が「5C」になっているもの
  print windows31j_to_utf8 "表 十 構\n"
  print utf8_to_windows31j windows31j_to_utf8 "表 十 構\n"

  # その他
  print windows31j_to_utf8 "〒\n"
  print utf8_to_windows31j windows31j_to_utf8 "〒\n"
end

【実行結果の例】

※ Ruby バージョン 1.8 以下では，UTF-8 への変換において NKF を使う．このとき，半角カナは全角カナに変換されるように設定していることに注意（必要ならプログラムを書き換えてください）．

※ 下記の実行結果において，Windows-31J しか表示できないコンソールを使っているので，UTF-8 はうまく表示できない（のは当然）