先生と生徒の会話形式で理解しよう

生徒

「先生、Rubyで絵文字や日本語を文字列として扱うとき、文字化けしたり長さが正しく取れなかったりします。どうしてですか？」

先生

「それは、絵文字や日本語などはマルチバイト文字だからです。1文字でも複数のバイトで表現されることがあり、普通の文字列操作では正しく処理できないことがあります。」

生徒

「マルチバイト文字って何ですか？」

先生

「英数字のように1バイトで表現できる文字に対して、漢字や絵文字は複数バイトで表されます。RubyではUTF-8などのUnicodeを使ってこれらを安全に扱います。」

1. Unicodeとは？

Unicodeは、世界中の文字や記号を統一して番号で管理する仕組みです。Rubyは標準でUTF-8というUnicodeを採用しており、日本語や絵文字も安全に文字列として扱えます。UTF-8は1文字が1～4バイトで表現される可変長の文字コードです。

2. 文字列の長さとマルチバイト文字

普通の文字列操作ではバイト数を基準に長さを取得することがあります。しかし、マルチバイト文字では1文字が複数バイトなので注意が必要です。RubyではString#lengthで文字数を正しく取得できます。


str = "こんにちは��"
puts str.length  # 6

「��」も1文字としてカウントされることが確認できます。

マルチバイト文字を扱う場合、[]やsliceを使うと安全に部分文字列を取得できます。


str = "こんにちは��"
puts str[0]      # こ
puts str[5]      # ��
puts str[0,3]    # こんに


こ
��
こんに

インデックスは文字単位で扱われるため、マルチバイトでも正しく取得できます。

ファイルに日本語や絵文字が含まれる場合、UTF-8で読み込むことが推奨です。


file_str = File.read("emoji.txt", encoding: "UTF-8")
puts file_str

エンコーディングを指定しないと、文字化けが起きる場合があります。UTF-8を明示することでUnicode文字も安全に処理できます。

Rubyの正規表現もUTF-8に対応しています。絵文字や日本語を含む文字列を検索や置換する場合、文字列全体を正しく扱えます。


str = "今日は��いい天気です"
puts str.gsub(/��/, "☀️")


今日は☀️いい天気です

正規表現を使うことで、絵文字の置換や抽出も簡単に行えます。

これらを意識することで、Rubyで日本語や絵文字を含む文字列も文字化けせず安全に操作できます。