平成27年度 III-27

解説

この問題で問われていること

Unicodeの文字符号化方式(UTF-8/16/32)のバイト長の特徴を区別する問題。

解き方

① Unicodeの符号化: UTF-8=1〜4バイトの可変長でASCIIは1バイトのまま、UTF-16=2バイトまたは4バイト(サロゲートペア)、UTF-32=4バイト固定長
② ②ASCIIだけならサイズは増えない、③UTF-16は固定長ではない、⑤バイト数と表示幅は別の話。固定長4バイトのUTF-32が④
③ ④

正解が正しい理由

UTF-32は、すべての符号位置(コードポイント)を、1文字あたり固定長の4バイトで表現する。処理は単純だが、データサイズは大きくなる。したがって④が最も適切である。

各選択肢について

• ① CJK統合漢字は、中日韓で字形が類似する漢字を、同じ符号位置にまとめたもの。URO(統合レパートリと順序)で、まとめた文字が別の文字に分離され、漢字の文字数が2倍以上になった、という記述は、事実と一致しない。
• ② UTF-8では、ASCII文字は1バイトで表現され、ASCII文字だけのテキストであれば、ファイルサイズはASCIIと同じ(増加しない)。可変長のバイト数も、現在の規格では1〜4バイトである。
• ③ UTF-16は、基本多言語面(BMP)の文字を2バイトで表すが、それ以外の文字は、サロゲートペアで4バイトで表す可変長であり、すべての文字が固定長の2バイトではない。
• ④ UTF-32は、すべての文字を固定長4バイトで表現する。これが正答。
• ⑤ 可変長の文字符号化方式で、表現に使うバイト数と、表示されるときの文字の横幅は、対応しない(半角・全角の幅は、別の概念)。3バイトの文字が、1バイトの3倍の幅を占めるとは限らない。

覚えるべきポイント

UTF-8=1〜4バイトの可変長でASCII互換、UTF-16=2または4バイト(サロゲートペア)、UTF-32=4バイト固定長。