漢字1文字が最大8バイト、Unicodeの「IVS」とは？

「漢字1文字は2バイト」という常識が、大きく変わろうとしている。現在改正中の「常用漢字表」に対応するためには、Unicodeの4バイト文字を使用する必要があるが、それだけでは済まない恐れがある。今後、戸籍や住民基本台帳で使われている文字がUnicodeに追加されると、漢字1文字が最大8バイトになるかもしれない。文字コードに詳しい京都大学人文科学研究所附属東アジア人文情報学研究センターの安岡孝一准教授が、問題の核心を解説する。（日経コンピュータ） 先日公開した『新常用漢字表が迫るUnicode移行、「シフトJIS」では対応不可能』の読者から、「今後のシステムでは漢字1文字を最大4バイトで処理すればいいのか」という質問を頂いた。実は、UTF-8あるいはUTF-16で漢字を表す場合、最新のUnicodeにおけるIVS（Ideographic Variation Sequence）を考慮すると、漢

[Nagise]

異体字に別コードポイントがふられててシソーラス検索をしないといけないというのよりは筋の良い設計のようには思う

[matsuza]

一文字あたりの最悪値は8bytesにしておいた方がよいと言うこと? 組込みではそんなん許されないっすよ……。IVSが来たら無視して、最悪4bytes/文字にするというのが現実解か。

[FeZn]

　安岡先生レベルの詳細丁寧な解説だなぁと思ったら例によって御本人だったの巻。

[deep_one]

確かにUnicode側の主張の方が理にかなっている気がするが…もはや「字数とバイト数は完全に別物」と考えるべきだな。一部データベースの設計等ではバイト数を予想したいので不都合があるのだが。

[k-takahashi]

『IVSは、漢字を表すUnicodeの直後に、Variation Selectorと呼ばれるコードを付加し、漢字の異体字を表現する方法』　『その他の異体字も全てIVSで収録する方が、Unicodeとしては都合がいい』　まあ、そうなるよなあ。

[py0n]

RFC2279で最大6バイトだったのが、RFC3629で最大4バイトに減らされたけど、また伸びるのかな？。

[mtzky]

ivs

[mas-higa]

異体字とか切り捨てるのが Unicode のポリシーじゃなかったのか。昔は「似たような字形を区別しないで検索したい」とかなんとか言ってた気がする。そりゃ無理あるわ。

[nilab]

漢字1文字が最大8バイト、Unicodeの「IVS」とは？ - 新常用漢字が引き起こす文字コード問題:「IVS（Ideographic Variation Sequence）」「漢字を表すUnicodeの直後に、Variation Selectorと呼ばれるコードを付加し、漢字の異体字を表現」

[Hayato]

初めて認識した>IVS

[mkusunok]

@takahashim Unicode 5.1は？

[yamada6789]

Unicode 5.1で導入されたIVS（Ideographic Variation Sequence）を使用すると、異字体を使い分けられるようになる

[samejima]

異体字の表現方法

[zu2]

sennaとかの検索エンジンの対応はどうだろう?

[kat0usi]

戸籍や登記簿の異体字がIVSで収録された場合、それらの漢字を表す文字コードは、UTF-16で1文字あたり6～8バイト、UTF-8で1文字あたり7～8バイトを必要とする

[denken]

文字と数字

[schrift]

　IVS。

[MotoyukiOgawa]

「将来を見すえたシステム設計を行ってほしい。」＜さすがに無理（苦笑）。各ミドルウェアやAPIが対応しなければ、一般のシステム設計ではどうにも。一方で非Unicodeのシステムもまだまだ多いし、温度差激しすぎ。

[kitaj]

ダサいエンコーディングだな… Unicode捨てて新しいの作ればいいんじゃね?

[takunama]

"IVSは、漢字を表すUnicodeの直後に、Variation Selectorと呼ばれるコードを付加し、漢字の異体字を表現する方法である" "Unicode側は、これらの異体字を表現する手法として、IVSの拡張を逆提案している"

[kits]

Ideographic Variation Sequence

[mandel59]

Windows 7はIVS対応しているのか、へえ。/「8バイト」は「2面の漢字+14面の異体字セレクタ」の場合UTF-8やUTF-16やUTF-32だと8バイトのシーケンスになるの意。

[mitsuki_engawa]

冒頭の2バイトうんぬんは編集の文章か。

[qnighy]

Javaオワタだけど他は問題ないな。

[nippondanji]

なんでそんな効率の悪いエンコーディングになっちまったんだ？

[mahnom]

「日本の文字コード委員会はUnicodeに対し、大量の漢字を追加要求している」「Unicode側は、これらの異体字を表現する手法として、IVSの拡張を逆提案している」逆提案は自分が主導権をとる戦法の一つではある

[JULY]

「漢字1文字は2バイト」という常識は、Shift-JIS(含む CP932)の場合の話で...、というのは新常用漢字以前話しなんだが、根強いよなぁ。

[syuu1228]

今度は最大8byteとか言ってるからまた色々ひっかかりそうだね

[cha-cha-ki]

8バイトとか頭痛い

[bellbind]

Unicode2文字で漢字1つということでしょう。グリフとしてサンスクリット系の合字や濁点のような仕組みかな。