EUC-JP

UNIXなどで、日本語を表現するときに用いられる。

最近のLinuxではUTF-8が使われ始めているが、古いUNIXシステムではEUC-JPが主流であった。

EUC-JPはあくまで符号化方法(CES)であり、文字集合(CCS)の規定ではない。

文字集合には日本語のCCSが使われるが、全てが慣例に基づくもので、RFCすらも無い。IANAに登録されている識別名は通称と同じ「EUC-JP」であり、CCSに純粋なJIS X 0208が使われている。

一般的なCESとしてのEUC-JPに、様々な文字集合(CCS)を当てはめた符号が、様々に使われている。

• EUC-JP (IANA登録名)
• Microsoft Windows Codepage : 51932 (Windowsの実装、外字は使用不可)
• eucJP-open (ユーザー定義外字などを追加したもの)
  • eucJP-0201
  • eucJP-ascii
  • eucJP-ms (eucJP-openのマッピングを調整したもの)
• eucJP-win (PHPで使われているもの)
• Codepage 65617 (EmEditor固有)
• EUC_JP_LINUX (JIS X 0201/0208のみを使う。JIS X 0212未対応)
• 日本語EUCコードセット3 (JIS X 0212-1990にIBM拡張漢字を加えたもの)
• HP版EUC

このほかにも無数に存在する。

また、このCES自体を拡張してしまったものも存在する。

• EUC-JISX0213 (JIS X 0213:2000で採用された)
• EUC-JISX0213-plane1 (JIS X 0213:2000で採用された)
• EUC-JIS-2004 (JIS X 0213:2004で採用された)
• EUC-JIS-2004-plane1 (JIS X 0213:2004で採用された)
• EUC-HJ (第2バイト0x21〜0x7Eが拡張され外字領域となっている)

8ビットで文字を表現する8ビット符号である。つまり、CL/GL/CR/GRの全てを用いる。

それぞれに、C0/G0/C1/G1が呼び出しされた状態で固定されており、変更はできない。

G2、G3の文字を使う場合は、SSを使う。

• 0x00〜0x7f: G0文字(ASCII)
• 0xa1〜0xfe 0xa1〜0xfe: G1文字(JIS X 0208)
• 0x8e(SS2) 0xa1〜0xfe: G2文字(いわゆる半角カナ)
• 0x8f(SS3) 0xa1〜0xfe 0xa1〜0xfe: G3文字(JIS X 0212)

基本的なEUC-JPは、2バイト文字に対し、次の範囲を使う。

• 1バイト目 ‐ 10/1〜15/14 (94種)
• 2バイト目 ‐ 10/1〜15/14 (94種)

必要に応じ、SS2やSS3が先行し3バイトとなることがあるが、続く2バイトの範囲は維持される。

但し、ISO/IEC 2022に違反するが2バイト目を拡張したものもあり、代表例として「EUC-HJ」がある。EUC-HJは、次のようになっている。

• 1バイト目 ‐ 10/1〜15/14 (94種)
• 2バイト目 ‐ 2/1〜7/14、10/1〜15/14 (188種)

EUC-JPは、文字集合が各バッファーに呼び出し指示された状態で開始される。しかし、どの文字集合が初期状態であるかは、実装によりまちまちである。

ごく一般的な実装では、次の通り。

• G0: ASCII
• G1: JIS X 0208
• G2: JIS X 0201カナ
• G3: JIS X 0212

この場合、GLには常にG0、GRには常にG1が呼び出されている。

場合により、G2は未使用、G3は未使用、G3は全領域が外字領域、G3は独自の文字集合、といったものがある。

代表例を幾つか紹介する。

EUC-JP

IANAに登録されたもので、最も一般的なものである。

上に説明されたもので、G0がASCII、G1がJIS X 0208である。G2とG3はオプション扱いとなっている。

Microsoft Windows Codepage : 51932

Microsoft Windowsの実装。通称は「CP51932」。

G1の文字集合がWindows-31Jの文字集合になったものである。

外字領域は存在しない、

eucJP-ms

TOG日本ベンダ協議会(TOG/JVC)が策定したeucJP-openの実装の一つ。

文字集合をWindows-31Jの文字集合に近づけたもので、更にUnicodeとの変換表がWindows-31JのシフトJISの仕様に準拠している。

Windows-31Jにある拡張漢字は、G3にIBM拡張文字の部分集合が用意されている。

ユーザー定義外字は、G1とG3の85区〜94区に各10区、合計20区を割り当てている。

1. ISO/IEC 2022に完全に準拠している
2. 区点とEUC-JPの計算が簡単

   区/点それぞれに0x20を足せばすぐに求められる。

3. 2バイト目が0x80より小さい符号を含まない

   0x5c(\)を2バイト目に含まないため、プログラムでの扱いが楽である。

1. 1バイト目か2バイト目か分からない

   1バイト目と2バイト目は符号が重複しており、あるバイトを見ても、それがEUC-JPの1バイト目なのか、2バイト目なのかがすぐに分からない。

   直前・直後を見ても判断できないことが多く、延々と遡り、結局文字列の最初まで遡らないと判断できないこともある。

2. いわゆる半角カナが2バイトになる

   いわゆる半角カナJIS X 0201の右側はG2に配置されているため、SS2を併用した2バイトとなってしまう。