導入

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.language に適切な言語(日本語の場合は Japanese)、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で動作する文字エンコーディング: 
ISO-8859-*, EUC-JP, UTF-8

PHPで動作しない文字エンコーディング:
JIS, SJIS

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。

インストール手順

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。

実行用の設定

これらの関数の動作は、php.iniの設定により変化します。

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.internal_encoding のデフォルト値を定義し、php.iniにおいて mbstring.internal_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 ; デフォルトの言語を設定 mbstring.language = neutral; デフォルト言語を中立(UTF-8)に設定 (デフォルト) mbstring.language = Japanese; デフォルト言語を日本語に設定 ;; デフォルトの内部エンコーディングを設定 ;; 注意: PHPで動作する文字エンコーディングを使用すること mbstring.internal_encoding = UTF-8 ; 内部エンコーディングをUTF-8に設定 ;; デフォルトのHTTP入力文字エンコーディングを設定 ;; 注意: スクリプトではhttp_inputの設定は変更できません。 mbstring.http_input = pass ; 変換しない。 mbstring.http_input = auto ; HTTP入力をautoに設定 ; "auto" は、"ASCII,JIS,UTF-8, ; EUC-JP,SJIS"に展開されます。 mbstring.http_input = SJIS ; HTTP入力をSJISに設定 mbstring.http_input = UTF-8,SJIS,EUC-JP ; 順番を指定 ;; デフォルトのHTTP出力文字エンコーディングを設定 mbstring.http_output = pass ; 変換せず mbstring.http_output = UTF-8 ; HTTP出力エンコーディングをUTF-8に指定 ;; デフォルトの文字エンコーディング検出順序を設定 mbstring.detect_order = auto ; デフォルトの順番をautoに設定 mbstring.detect_order = ASCII,JIS,UTF-8,SJIS,EUC-JP ; 順番を指定 ;; 代替文字のデフォルト値を設定 mbstring.substitute_character = 12307 ; Unicode値を指定 mbstring.substitute_character = none ; 文字を出力しない mbstring.substitute_character = long ; longの例: U+3000,JIS+7E7E

例 2. EUC-JP ユーザ用のphp.iniの設定 ;; 出力バッファリングを無効にする output_buffering = Off ;; HTTP charsetヘッダを設定 default_charset = EUC-JP ;; デフォルトの言語を日本語にする mbstring.language = Japanese ;; HTTP 入力変換を有効にする mbstring.encoding_translation = On ;; HTTP 入力エンコーディング変換をautoに設定 mbstring.http_input = auto ;; HTTP出力をEUC-JPに設定 mbstring.http_output = EUC-JP ;; 内部エンコーディングをEUC-JPに設定 mbstring.internal_encoding = EUC-JP ;; 無効な文字を出力しない mbstring.substitute_character = none

例 3. SJISユーザ用のphp.iniの設定 ;; 出力のバッファリングを有効に output_buffering = On ;; 出力の変換を有効にするために mb_output_handler を設定 output_handler = mb_output_handler ;; HTTPヘッダ charset を設定 default_charset = Shift_JIS ;; デフォルトの言語を日本語に設定 mbstring.language = Japanese ;; HTTP 入力変換を有効にする mbstring.encoding_translation = On ;; HTTP入力エンコーディング変換をautoに設定 mbstring.http_input = auto ;; SJISに変換 mbstring.http_output = SJIS ;; 内部エンコーディングをEUC-JPに設定 mbstring.internal_encoding = EUC-JP ;; 無効な文字を出力しない mbstring.substitute_character = none

リソース型

この拡張モジュールはリソース型を全く定義しません。

定義済みの定数

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

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。

• 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 ;; HTTP入力変換を無効にする mbstring.http_input = pass ;; HTTP入力変換を無効にする (PHP 4.3.0以降) mbstring.encoding_translation = Off

  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 ;; 全てのPHPページで出力の文字エンコーディング変換を有効にする ;; 出力バッファリングを有効にする output_buffering = On ;; mb_output_handlerによる出力変換を有効にする output_handler = mb_output_handler

例 6. スクリプトの例 <?php // このページでのみ出力の文字エンコーディング変換を有効にする // HTTP 出力文字エンコーディングをSJISに設定する mb_http_output('SJIS'); // 出力のバッファリングを開始し、コールバック関数として"mb_output_handler" // を指定する ob_start('mb_output_handler'); ?>

サポートされる文字エンコーディング

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。

マルチバイト対応版関数による既存関数のオーバーロード

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。

日本語のマルチバイト文字に関する基本事項

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。

リファレンス

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