文字コードの基礎——ASCIIとUTF-8

コンピュータは数値しか扱えません。ではなぜ文字を表示できるのか。答えは単純で、文字にも番号が振ってあるからです。「A は65番」という対応表があり、その代表が ASCII です。

#include <stdio.h>

int main(void)
{
    char c = 'A';

    printf("%c\n", c);    // A   ← 文字として表示
    printf("%d\n", c);    // 65  ← 数値として表示
    return 0;
}

同じ変数を %c で見れば文字、%d で見れば数値。char は「1バイトの小さな整数型」であり、文字はその値の解釈にすぎません。

覚えておくと得をする番号

ここで大事なのは、連続して並んでいることと、大文字と小文字がちょうど32違うことです。この2つの性質から、便利な計算が生まれます。

#include <stdio.h>

int main(void)
{
    char d = '7';

    printf("%d\n", d - '0');        // 7 ← 文字の数字を数値に変換
    printf("%c\n", 'a' - 32);       // A ← 小文字を大文字に
    printf("%d\n", 'z' - 'a' + 1);  // 26 ← アルファベットの数
    return 0;
}

d - '0' は暗記して構いません。文字 '7'（55）から '0'（48）を引くと 7。文字で入力された数字を計算に使うときの定番です。逆に、数値 7 を文字にしたければ 7 + '0' とします。

表そのものを丸暗記する必要はありません。覚えておくべきは「連続して並んでいる」「大文字と小文字は32違う」「数字は '0' から始まる」の3点だけ。具体的な値が必要になったら printf("%d\n", 'A'); で調べればすみます。

日本語はどうなっているのか

ASCIIは英数字と記号だけの表で、127番までしかありません。日本語を表すには足りないので、現在は UTF-8 という方式が広く使われています。UTF-8では、英数字は1バイトのまま、日本語のほとんどは3バイトで表されます。

printf("%zu\n", strlen("abc"));   // 3
printf("%zu\n", strlen("あいう")); // 9（3文字 × 3バイト）

strlen が数えているのはバイト数であって文字数ではありません。ここから重要な結論が出ます。

• 日本語を含む文字列に s[0] でアクセスしても、1文字は取り出せません（3バイトのうち先頭1バイトだけ）
• 日本語の途中で文字列を切ると、文字が壊れて表示できなくなります
• 逆順に並べ替えるといった処理も、バイト単位でやると壊れます

Cで日本語を1文字ずつ正確に扱うには専用の処理が必要です。初学の段階では「日本語は表示だけ、加工は英数字で」と割り切って進めるのが安全です。文字列をそのまま printf に渡して表示するぶんには、日本語でも何も問題ありません。

罠・注意

• '1' と 1 は別物です。'1' は値49の文字、1 は数値。混ぜると意味不明な結果になります。
• 文字コードの具体的な数値をコードに直接書くのは避けましょう。if (c == 65) より if (c == 'A') のほうが読みやすく、移植性もあります。
• char が符号付きか符号なしかは環境によって異なります。128以上の値を扱うときは注意が必要ですが、これは第6部で扱います。

まとめ: 文字は数値。'A' は65、'0' は48で、それぞれ連続して並んでいます。c - '0' は定番、日本語はUTF-8で複数バイトです。