Unicodeの基本コンセプト

Unicodeコンソーシアム発足当時，Unicodeの設計は次の4つの原理に基づいて行われていた[1]．

Unicodeの設計原則

• 文字コードはすべて16ビット．
  • ただし，16ビット単位で文字を扱えない既存システムとの互換性を保つため，UTF-8形式も定義している．
  • サロゲート
  • 現在は，32ビット固定長の符号化方式であるUTF-32も定義されている． 当初はすべての文字を16ビット内に収めるつもりだったが，結局16ビットでは足りないということになって， まずテクニカルレポート（UTR)としてUTF-32がつくられ，その後 規格の付録に昇格，最終的にUnicode 4.0で規格本体に取り込まれている． ［Unicode Standard Annex #19 UTF-32］
• 文字は論理順に格納する． 右から左に各言語もあるのだけども，その場合でもメモリ中に逆向きに格納したりはしない． 物理的な方向ではなく論理的な方向で格納する．
• ユニフィケーション（統合）： 同じ文字はまとめる． 特に特徴的なのが，中国・日本・韓国で使われる漢字の統合．
  • ただし，統合するかしないかは意外に一貫性がない． 最近は一貫性がまったくないといえるほど，どんどん似たような・グリフの違いなんじゃないかと思えるような文字を取り込んでしまっているのだけど， 初期のUnicodeでも統合するかしないかが揺らいでいる例が見つかる． 具体的な例としては，ギリシャ語のオメガ（Ω）と電気記号のオーム（Ω）がある． 電気記号のオームは，記号として仮にオメガを使いましょうという約束事で生まれた表記であり，別の表現でもよかったことを考えると， “見た目は同じだけど違う文字”という主張が通りそうで，Unicodeの判断は正しいようにも思える． だけど，逆に統合している例もあって， たとえば，プライム記号は時間の秒の後ろに書く場合でも，xとx'のような対比で書く場合でも同じ文字（U+2032 PRIME）と判断している． また，ドイツ語でウムラウト記号（¨）といっているものは，フランス語やロシア語でも使う． Unicodeはこの記号にU+0308 COMBINING DIAERESISという統合したコードポイントを与えているのだけど （The Unicode Character Code Charts::Combining Diacritical Marks）， これを同じ文字と判断するにあたって形状が同じという以外にどういう判断要素があるのだろう？ Unicodeは形状＝グリフは気にしないのではなかったのかな，という疑問がわいてくる．
  • 互換用文字：他の文字コードとの相互可逆変換性を維持するために，本来統合できるはずなのにあえて別のコードポイントを与えた文字．
• 動的合成（dynamic composition）
  • eとウムラウト記号（¨）を組み合わせて結合文字（combining character）のёをつくってもよいことになっている． ウムラウト記号て，何にでもつけられるわけじゃないと思うんだけども．
  • 必ず結合文字で表せといってるわけではなく，Unicodeには結合済みの文字も含まれている． したがって，同じ文字を複数のバイト列で表すことができてしまう． そのため，検索やソートの際に結合済みの文字と結合文字（たとえばёとｅ＋¨）が同じ文字と評価されるように “canonical ordering”というルールを定めている． ［結合済みのёはU+00EB LATIN SMALL LETTER E WITH DIAERESIS，等価な結合文字はU+0065 U+0308となっている． 参考 The Unicode Character Code Charts::C1 Controls and Latin-1 Supplement］
• 変換可能性：他の文字コードとの間で可逆変換できる．
  • これを実現するために多数の互換用文字を採用する妥協が行われた．
  • アプリケーションは，Unicode以外の（古い）文字コードのデータを読み書きしながら，内部的にはUnicodeでデータを保持することができるようにとの配慮．