全ての文字をシングルバイトで表現可能な言語は数多くあります。マル チバイト文字コードは、多くの言語で文字を表すために使用されていま す。 mbstring は日本語文字を処理するために開発 されました。しかし、 mbstring 関数の多くは、日 本語以外の文字エンコーディングも処理することが可能です。 マルチバイト文字エンコーディングは、バイトの並びで単一の文字を表 現します。いくつかの文字エンコーディングでは、マルチバイト文字列 の始まり/終わりを表すためにシフト(エスケープ)シーケンスが使用され ています。この場合、マルチバイト文字エンコーディングに対応した方 法でない限り、分割または追加されるとマルチバイト文字列は壊れてし まう可能性があります。このモジュールは、マルチバイト文字列に対応 した文字列関数および変換関数のようなその他のユーティリティ関数を 提供します。 PHPは、基本的にISO-8859-1用に設計されているため、いくつかのマルチ バイト文字エンコーディングは、PHPで正常に動作しません。このため、 mbstring.internal_encoding にPHPで動作する文字 エンコーディングを設定することが必要です。 PHP4の文字エンコーディングに関する規約 バイト毎のエンコーディングである。 シングルバイト文字は、 ASCII 互換の 00h-7fh の範囲にある。 マルチバイト文字は、 00h-7fh 以外を使用する。 PHPの内部エンコーディングとして使用可能な文字エンコーディングと 使用できない文字エンコーディングの例を以下に示します。 PHPの内部エンコーディングとして使用できない文字エンコーディングは、 mbstring のHTTP入力/出力変換の機能/関数により変換 することが可能です。 注意 SJIS は、読者がパーサ/コンパイラ、文字エンコーディングと文字エン コーディングの問題点について精通していない限り内部エンコーディン グとして使用するべきではありません。 注意 PHPでデータベースを使用する場合、性能を向上させるためにデータベー スとPHPの内部エンコーディングについて同じ文字エンコーディングを使用 することを推奨します。 PostgreSQLを使用している場合、バックエンドの文字エンコーディング と異なる文字エンコーディングを使用することが可能です。詳細につい ては、PostgreSQLのマニュアルを参照下さい。 mbstring は拡張モジュールです。 configure スクリプトでモジュールを有効にする必要が あります。詳細は、 インストール の 節を参照して下さい。 以下の設定オプションが mbstring モジュールに関係し ています。 --enable-mbstring: mbstring 関数を有効にします。このオプションは、 mbstring 関数を利用するために必要です。 注意 PHP 4.3.0以降、オプション --enable-mbstring は、中国語、韓国語、ロシア語をサポートするために --enable-mbstring[=LANG] に変更されます。 日本語の文字エンコーディングはデフォルトでサポートされます。 --enable-mbstring=cn を 使用した場合、簡体字中国語のエンコーディングがサポートされます。 --enable-mbstring=tw を 使用した場合、繁体字中国語のエンコーディングがサポートされます。 --enable-mbstring=kr を 使用した場合、韓国語のエンコーディングがサポートされます。 --enable-mbstring=ru を 使用した場合、ロシア語のエンコーディングがサポートされます。 --enable-mbstring=all が指定された場合、全てのサポートされる文字エンコーディングが 有効となります。しかし、PHPのバイナリサイズは最大となります。 これは、Unicode文字マップのサイズが巨大であるためです。 中国語、韓国語、ロシア語の実験的なサポートはPHP 4.3.0で 追加されたことに注意して下さい。 --enable-mbstr-enc-trans: mbstring 変換エンジンを使用したHTTP入力の文 字エンコーディング変換を有効にします。この機能が有効の場合、 HTTP入力文字エンコーディングは、自動的に mbstring.internal_encoding に変換されます。 注意 PHP 4.3.0以降、このオプション --enable-mbstr-enc-trans は廃止され、 mbstring.encoding_translation に変更となります。HTTP入力文字エンコーディング変換は、 このオプションを On に設定した場合のみ 有効となります。 (デフォルトは、 Off です。) --enable-mbregex: マルチバイト対応の正規表現関数を使用可能とします。 これらの関数の動作は、 php.ini の設定により変化します。 表 1Multi-Byte String 設定オプション 以下に設定ディレクティブの簡単な説明を書きます。 mbstring.language は、mbstringで使用される 言語のデフォルト値を定義します。このオプションは、 mbstring.interanl_encoding のデフォルト値を定義し、 php.ini において mbstring.interanl_encoding は、 mbstring.language の後に置く必要があることに 注意して下さい。 mbstring.encoding_translation は、 HTTP入力文字エンコーディング検出および内部文字エンコーディングへの変換 を有効にします。 mbstring.internal_encoding は内部文字エン コーディングのデフォルト値を定義します。 mbstring.http_input はHTTP入力文字エンコー ディングのデフォルト値を定義します。 mbstring.http_output は、HTTP出力文字エン コーディングのデフォルト値を定義します。 mbstring.detect_order は、文字コード検出の デフォルト値を定義します。 mb_detect_order() も参照下さい。 mbstring.substitute_character は、無効な文 字を代替する文字を定義します。 mbstring.func_overload は、シングルバイト対応の 関数をmbstring関数でオーバーロード(置換)します。 mail(), ereg() 等は、 mb_send_mail(), mb_ereg() 等で 置換されます。使用可能な値は、0, 1, 2, 4 およびこれらのビット和です。 例えば、7 は全てをオーバーロードします。 0: オーバーロード無し(デフォルト), 1: mail() 関数を オーバーロード, 2: str*() 関数をオーバーロード, 4: ereg*() 関数をオーバーロード Webブラウザは、フォームのデータを投稿する際に同じ文字エンコーディ ングを使用すると仮定されます。しかし、ブラウザは同じ文字エンコー ディングを使用しない可能性があります。ブラウザで使用される文字エ ンコーディングを検出するには、 mb_http_input() を参照下さい。 HTMLフォームで enctype が multipart/form-data に設定された場合、 mbstring はPOSTデータの文字エンコーディングを 変換しません。ユーザは、変換に応じてスクリプト内で変換を行う必要 があります。 しかし、ブラウザ側でもHTML内の文字エンコーディングを検出すること は可能です。HTMLヘッダで charset を設定する方が より良いでしょう。文字エンコーディングに応じて default_charset を変更して下さい。 例 1 php.ini 設定の例 例 2 EUC-JP ユーザ用の php.ini の設定 例 3 SJIS ユーザ用の php.ini の設定 この拡張モジュールはリソース型を全く定義し ません。 これらの定数は、この拡張モジュールで定義されており、 この拡張モジュールがPHP内部にコンパイルされているか実行時に動的にロー ドされるかのどちらかの場合のみ使用可能です。 HTTP 入出力の文字エンコーディング変換はバイナリデータも変換して しまいます。HTTP入出力にバイナリデータが使用される場合、ユーザは、 文字エンコーディング変換を制御する必要があります。 HTMLフォームの enctype が multipart/form-data に設定された場合、 mbstring は、POSTデータの文字エンコーディング を変換しません。この場合、文字列を内部文字エンコーディングに変換 してやる必要があります。 HTTP入力 PHPスクリプトでHTTP入力文字変換を制御する手段はありません。 HTTP入力文字変換を無効にするには、 php.ini で行う必要があります。 例 4 php.ini でHTTP入力変換を無効にする PHPをApacheモジュールで使用する場合、PHP iniの設定を httpd.conf により仮想ホスト単位で、または .htaccess によりディレクトリ単位で上書きす ることが可能です。詳細は、 設定 の節およびApacheマニュアルを参照下さい。 HTTP出力 出力の文字エンコーディング変換を有効にする方法は複数あります。 一つ目は php.ini 、もう1つは ob_start() で ob_start のコールバック関数として mb_output_handler() を指定するものです。 注意 PHP3-i18nのユーザにとっては、 mbstring の出 力変換は、PHP3-i18nとは異なっています。文字エンコーディング は、出力のバッファリング機能を使用して変換されます。 例 5 php.ini の設定例 例 6スクリプトの例 現在、以下の文字エンコーディングが mbstring モ ジュールによりサポートされています。文字エンコーディングは、 mbstring 関数の encoding パラ メータで指定することが可能です。 以下の文字エンコーディングがこのPHP拡張モジュールでサポートされ ています。 UCS-4, UCS-4BE, UCS-4LE, UCS-2, UCS-2BE, UCS-2LE, UTF-32, UTF-32BE, UTF-32LE, UCS-2LE, UTF-16, UTF-16BE, UTF-16LE, UTF-8, UTF-7, ASCII, EUC-JP, SJIS, eucJP-win, SJIS-win, ISO-2022-JP, JIS, ISO-8859-1, ISO-8859-2, ISO-8859-3, ISO-8859-4, ISO-8859-5, ISO-8859-6, ISO-8859-7, ISO-8859-8, ISO-8859-9, ISO-8859-10, ISO-8859-13, ISO-8859-14, ISO-8859-15, byte2be, byte2le, byte4be, byte4le, BASE64, 7bit, 8bit, UTF7-IMAP PHP 4.3.0以降、以下の文字エンコーディングのサポートが実験的に 行なわれます。 EUC-CN, CP936, HZ, EUC-TW, CP950, BIG-5, EUC-KR, UHC (CP949), ISO-2022-KR, Windows-1251 (CP1251), Windows-1252 (CP1252), CP866, KOI8-R. エンコーディング名を指定可能な php.ini のエントリでは、 "auto" および "pass" も指定可能です。 mbstring 関数には、エンコーディング名と "auto" を指定可能です。 "pass" が指定された場合、文字エンコー ディング変換は行われません。 "auto" が指定された場合、この文字列 は、" ASCII,JIS,UTF-8,EUC-JP,SJIS "に 変換されます。 mb_detect_order() も参照下さい。 注意 "サポートされる文字エンコーディング" は、内部文字コー ドとして動作するものとは異なります。 PHPアプリケーションの多くは、英語等のシングルバイトの言語用に設計 されており、日本語を含むマルチバイト文字列を扱う場合には問題を生 じる場合があります。 substr() 等のPHPの文字列関 数の多くはマルチバイト文字列に対応していません。 マルチバイト拡張モジュール(mbstring)では、文字列を処理するPHP関数 のマルチバイト対応版(例えば、 substr() の場合は mb_substr() )をサポートしています。 マルチバイト拡張モジュール(mbstring)では、PHP 4.2.0以降で既存の PHP関数を対応するマルチバイト文字対応版の関数でオーバーロードする 機能をサポートします。関数のオーバーロードを行うと、例えば substr() をPHPスクリプトでコールした場合に、 mb_substr() が代わりにコールされるようになりま す。これにより、マルチバイト文字に対応しないアプリケーションの移 植が容易となります。 関数オーバーロードを使用するには、設定ファイル php.iniの mbstring.func_overload ディレクティブに0以外の 値を設定します。設定値によりオーバーロードされる関数の種類が異な ります。メール関数の場合は1、文字列関数は2、正規表現関数は4を使用 します。論理和をとることにより複数の値を指定可能です。例えば、7を 指定すると全てのメール、文字列、正規表現関数をオーバーロードしま す。オーバーロードされる関数を下表に示します。 表 2オーバーロードされる関数 多くの日本語の文字は1文字あたり複数のバイトを必要とします。加え て、日本語の環境では複数の文字エンコーディング手法が使用されてい ます。使用されているのは、EUC-JP、Shift_JIS(SJIS)、 ISO-2022-JP(JIS) 文字エンコーディングです。Unicodeが普及しつつあ り、UTF-8 も使用されています。日本語環境のWebアプリケーションを 開発するためには、HTTP入出力、RDBMS、e-mailの処理においてそれぞ れに適した文字集合を使用することが重要となります。 1文字は最大6バイトになる マルチバイト文字は通常シングルバイト文字の2倍の幅となります。 広い幅の文字は「全角」、狭い幅の文字は「半角」と呼ばれます。 通常、「全角」文字は固定幅です。 いくつかの文字エンコーディングでは、マルチバイト文字列を開始/ 終了するためのシフト(エスケープ)シーケンスが定義されています。 SMTP/NNTPでは、ISO-2022-JP を使用する必要があります。 "i-mode" 用Webサイトは、SJISを使用する必要がありま す。 マルチバイト文字エンコーディングと関連する問題は非常に複雑です。 ここで詳細について記述することは不可能です。詳細な事項については、 以下のURLおよび他のリソースを参照下さい。 Unicode/UTF/UCS/等 http://www.unicode.org/ 日本語/韓国語/中国語文字に関する情報 ftp://ftp.ora.com/pub/examples/nutshell/ujip/doc/cjk.inf