nkf、全角「－」が化ける

nkfを通すと、どういうわけか全角のマイナス（ハイフン？）が文字化けする。文字コード変換をしなくても化ける。

実験用に用意したのは「－」だけが入ったファイル。UTF-8の環境で作ったもの。

16進ダンプ。

これをnkfを通す。出力文字コードはUTF-8。つまり、コード変換はなし。

なんで？

iconvならこんなことは起きない。

化けていない。

最初にこれに気づいたのは、CP932なファイルをnkfで変換したとき。「－」が化けるので、CP932からUTF-8への変換で何か問題があるのかなと。でも、追っかけてみたらUTF-8からUTF-8への変換（＝無変換）でも起きることがわかった。ここは、iconvを使うことにするか。

これはまた別の問題。

「波ダッシュ」とnkf

文字コードの話。まず、ざっくり、CP932はShift_JISを拡張したもの。なので、大半は同じ。まずはこれが今回の話のベース、というか、問題というか。文字コードには沢山の種類があり、変換するにはnkfが便利。入力された文字コードを自動判別...

www.jh4vaj.com

2020/08/13

【追記】

MS-UnicodeとIBM-Unicodeの違いであると教えてもらった。

そんな物があるとはつゆ知らず…。検索したら、このページが見つかった。

mokkouyou2001の日記

18 Users

10 Pockets

UTF-8での文字化け - mokkouyou2001の日記

https://mokkouyou2001.hatenadiary.org/entry/20081219/1229689787

以前のエントリーOracleとJavaの間で、全角マイナスが文字化け。 - mokkouyou2001の日記 にも少し関係。 IBM-Unicode(標準Unicode)と、MS-Unicodeの間でも以下の差がある。 特に問題は無い場合が多いかもしれないが、外部向けのやり取りの1部にMS932(のファイルでのやりとり)がある。 という場合はMS-Unicode向けの変換をかませておくのが無難かもしれない。 というか、まぁ検索のことを考えたりするとどちらかに寄せるのが無難か・・・ なんでこんなことが起こるかなぁ・・・ 悩ましいねぇ。 文字 IBM-Unicode MS-Unicode ―(全角…

ということで、改めてnkfのmanを見るとこういうオプションがあった。

--no-best-fit-chars
   Unicode からの変換の際に、往復安全性が確保されない文字の変換を行いません。
   Unicode からUnicode の変換の際に -x と共に指定すると、nkf を UTF 形式の
   変換に用いることができます。 (逆に言えば、これを指定しないと一部の文字が
   保存されません)

   パスに関わる文字列を変換する際には、このオプションを指定することを強く推奨
   します。

なるほど。この –no-best-fit-chars オプションを使えばいいのか。