XML日本語プロファイル

1. 適用範囲

この標準情報(TR)は，日本語文字を含むXML文書に関しての明確化を行って， [JIS X 4159]を補足する。

備考 この標準情報(TR)では，[JIS X 0208]及び[JIS X 0212]の図形文字並びに[JIS X 0201]の片仮名用図形文字，円記号及びオーバラインを"日本語文字"と呼ぶ。

日本語文字を含むXML文書の交換性を高めるため，この標準情報(TR)は文字符号化スキームについての規定を行う。情報交換用ファイルで使用する文字符号化スキーム，各種のプロトコル（SMTP, HTTP/1.1など）で使用する文字符号化スキームは, それぞれ別に規定する。文字符号化スキームから[ISO/IEC 10646]及び[Unicode 3.1]への変換に用いられている変換表を列挙し，符号化宣言及びMIMEヘッダで指定する名称を個々の変換表に与える。

備考 この標準情報(TR)では，"符号化文字集合"という語を，[IETF RFC 2130]で定義されている"Coded Character Set"と同じ意味で用い，"文字符号化スキーム"という語を，同じく[IETF RFC 2130]で定義されている"Character Encoding Scheme"と同じ意味で用いる。

参考 交換性が保証されないことを了解した上で，これらの規定を無視するのは利用者の自由である。

この標準情報(TR)にある規定の一部は，IETF RFC及びW3C勧告にある規定を日本語文字に当てはめて分かりやすく言い直したものであって，独自の規定ではない。

参考 例えば，[JIS X 4159]は"[Unicode 3.1]の3.6節のD21節で定義される互換性文字は使用を避けることが望ましい。"と規定している。[JIS X 0201]の片仮名用図形文字は，この互換性文字にあたるため，この標準情報(TR)では[JIS X 0201]の片仮名用図形文字を避けることが望ましいと規定している。

独自の規定ではなく，[JIS X 4159]並びにその他のIETF RFC及びW3C勧告にある規定を日本語文字に当てはめて言い直した規定は，参考又は解説において元の規定を示す。

2. 引用規定

次に示す規格などは, この標準情報(TR)の文中での引用によって, この標準情報 (TR) の規定の一部となる。JISについては最新版を適用する。RFCが他のRFCによって置き換えられた場合は，新しいRFCを適用する。

IETF RFC 1468

IETF (Internet Engineering Task Force). RFC 1468: Japanese character encoding for Internet messages, ed. J. Murai, M. Crispin, and E. van der Poel. 1993. （http://www.ietf.org/rfc/rfc1468.txtを参照。)

IETF RFC 2045

IETF (Internet Engineering Task Force). RFC 2045: Multipurpose Internet Mail Extensions (MIME) Part One: Format of Internet Message Bodies, ed. N. Freed and N. Borenstein. 1996. （http://www.ietf.org/rfc/rfc2045.txtを参照。)

IETF RFC 2046

IETF (Internet Engineering Task Force). RFC 2046: Multipurpose Internet Mail Extensions (MIME) Part Two: Media Types, ed. N. Freed and N. Borenstein. 1996. （http://www.ietf.org/rfc/rfc2046.txtを参照。)

IETF RFC 2130

IETF (Internet Engineering Task Force). RFC 2130: The Report of the IAB Character Set Workshop held 29 February - 1 March, 1996, C. Weider, C. Preston, K. Simonsen, H. Alvestrand, R. Atkinson, M. Crispin, P. Svanberg. April 1997. （http://www.ietf.org/rfc/rfc2130.txtを参照。)

IETF RFC 2277

IETF (Internet Engineering Task Force). RFC 2277: IETF policy on character sets and languages, ed. H. Alvestrand. 1998. （http://www.ietf.org/rfc/rfc2277.txtを参照。)

IETF RFC 2278

IETF (Internet Engineering Task Force). RFC 2278: IANA Charset Registration Procedures, ed. N. Freed and J. Postel. 1998. （http://www.ietf.org/rfc/rfc2278.txtを参照。)

IETF RFC 2279

IETF (Internet Engineering Task Force). RFC 2279: UTF-8, a transformation format of ISO 10646, ed. F. Yergeau. 1998. （http://www.ietf.org/rfc/rfc2279.txtを参照。)

IETF RFC 2396

IETF (Internet Engineering Task Force). RFC 2396: Uniform Resource Identifiers (URI): Generic Syntax. T. Berners-Lee, R. Fielding, L. Masinter. 1998. （http://www.ietf.org/rfc/rfc2396.txtを参照。)

IETF RFC 2616

IETF (Internet Engineering Task Force). RFC2616: Hypertext Transfer Protocol --- HTTP/1.1, ed. R. Fielding, J. Gettys, J. Mogul, H. Frystyk, L. Masinter, P. Leach, and T. Berners-Lee. 1999 （http://www.ietf.org/rfc/rfc2616.txtを参照。)

IETF RFC 2781

IETF (Internet Engineering Task Force). UTF-16, an encoding of ISO 10646, ed. P. Hoffman. and F. Yergeau. 2000. （http://www.ietf.org/rfc/rfc2781.txtを参照。)

IETF RFC 3023

IETF (Internet Engineering Task Force). RFC 2376: XML media types, ed. E. Whitehead and M. Murata. 1998. （http://www.ietf.org/rfc/rfc3023.txtを参照。)

IETF RFC 3066

IETF (Internet Engineering Task Force). RFC 3066: Tags for the Identification of Languages, ed. H. Alvestrand. 2001. （http://www.ietf.org/rfc/rfc3066.txtを参照。)

IANA Official Names for Character Sets

IANA (Internet Assigned Numbers Authority) Official Names for Character Sets, ed. Keld Simonsen et al. （ftp://ftp.isi.edu/in-notes/iana/assignments/character-setsを参照。)

JIS X 0201

7ビット及び8ビットの情報交換用符号化文字集合

JIS X 0208

7ビット及び8ビットの2バイト情報交換用符号化漢字集合

JIS X 0212

情報交換用漢字符号 -- 補助漢字

JIS X 0221-1

国際符号化文字集合(UCS) 第1部 体系及び基本多言語面

JIS X 4159

拡張可能なマーク付け言語(XML) 1.0

ISO/IEC 646

Information technology -- ISO 7-bit coded character set for information interchange

ISO/IEC 10646-1:2000

Information technology -- Universal Multiple-Octet Coded Character Set (UCS) -- Part 1: Architecture and Basic Multilingual Plane

ISO/IEC 10646-2:2001

Information technology -- Universal Multiple-Octet Coded Character Set (UCS) -- Part 2: Supplementary Planes

US-ASCII

ANSI X3.4-1986. Coded Character Set -- 7-Bit American Standard Code for Information Interchange

参考1 W3C (World Wide Web Consortium), Extensible Markup Language (XML) 1.0 (Second Edition), Recommendation, http://www.w3.org/TR/REC-xml, 2001が，[JIS X 4159]に対応している。

参考2 [JIS X 0221-1]は, [ISO/IEC 10646]-1:2000に相当する。

3. 定義

4. 符号化文字集合に関する規定

5. 文字符号化スキームに関する規定

6. charset名に関する規定

Content-Type: text/xml; charset=utf-8 

7. 情報交換用ファイル中のXML文書構成単位

情報交換用ファイルにXML文書構成単位を格納するときの文字符号化スキームとしては，UTF-16またはのいずれかを使用する。

参考 交換性が保証されないことを了解した上で，シフトJIS又は日本語EUC(圧縮形式)を使用するのは利用者の自由である。

情報交換用ファイルに格納するXML文書構成単位については，BOM又は符号化宣言を付ける。ただし，UTF-8の場合だけはこれらを省略してもよい。

参考1 BOM又は符号化宣言を付けるという規定は，[JIS X 4159]の4.3.3に示されている。

参考2 UTF-16の場合は, BOMによって文字符号化スキームを明示するのでcharset名は必要ない。

文字符号化スキームについての外部情報がない場合， XMLプロセサはBOM及び符号化宣言を見て文字符号化スキームを判定する。この自動検出は，[JIS X 4159]の附属書Fに示されている。

参考 XML文書構成単位を表現するオクテット列がアプリケーションの入出力となる場合も，情報交換用ファイルについての規定を適用することが望ましい。

8. HTTP 1.1によるXML文書構成単位の配送

サーバがXML文書構成単位を配送するときの文字符号化スキームとしては，UTF-16又はUTF-8のいずれかを使用する。

参考 交換性が保証されないことを了解した上で，ISO-2022-JP，日本語EUC(圧縮形式)及びシフトJISを使用するのは利用者の自由である。

HTTP 1.1([IETF RFC 2616])による配送では，text/xml, application/xmlなどのメディアタイプを用い，charsetパラメタを正しく付ける。メディアタイプがtextではなく，XML文書中の BOM又は符号化宣言で文字符号化スキームを明示してあるときだけは，charset パラメタを省略できる。

参考1 [IETF RFC 3023]はcharsetパラメタを強く推奨している。メディアタイプが textの場合は，charsetパラメタとして指定されたcharset名がBOM及び符号化宣言より優先する。省略した場合はUS-ASCIIであると見なされる。

参考2 US-ASCIIで符号化されたXML文書の場合は，メディアタイプが textの場合でもcharsetパラメタを省略できるが，US-ASCIIの文書は日本語文字を含んでいないので，この標準情報(TR)の適用範囲外である。

参考3 サーバの設定によって，XML文書構成単位を格納したファイルと，メディアタイプ(text/xml, application/xmlなど)及び文字符号化スキームを表すcharset名とを関係付けなければならない。

クライアントは，このcharsetパラメタに従って文字符号化スキームを判定する。 text/xmlのcharsetパラメタが省略された場合はUS-ASCIIであると判定する。 application/xmlのcharsetパラメタが省略された場合は情報交換用ファイルと同様に自動検出する。

参考 この規定は[IETF RFC 3023]にある。

9. メール及びニュースによるXML文書構成単位の配送

XML文書構成単位をメールの本文として送信する場合は，文字符号化スキームとしてUTF-16又はUTF-8のいずれかを使用する。

参考 交換性が保証されないことを了解した上で， ISO-2022-JP，日本語EUC（圧縮形式）又はシフトJISを使用するのは利 用者の自由である。

UTF-16の場合は，メディアタイプapplication/xmlなどを用い，それ以外の場合はメディアタイプをtext/xmlを用いる。どの場合も， charsetパラメタを必ず付ける。

もし必要なら，Base64などのcontent transfer encodingを適用する。

参考 content transfer encodingについては[IETF RFC 2045]に規定されている。

10. 変換表の相違を回避する方法

シフトJISで書かれた次のXML文書を考える。

<?xml version="1.0" encoding="shift_jis"?>
<doc>{1}{2}{3}{4}{5}
{6}{7}{8}{9}{10}</doc>

ここで，{1}から{10}は以下の文字を示す。

1. 0x5C(YEN SIGN),
2. 0x7E(OVERLINE),
3. 0x815C(FULLWIDTH EM DASH),
4. 0x815F(REVERSE SOLIDUS),
5. 0x8160(WAVE DASH),
6. 0x8161(DOUBLEVERTICAL LINE),
7. 0x817C(MINUS SIGN),
8. 0x8191(CENT SIGN),
9. 0x8192(POUND SIGN), and
10. 0x81CA(NOT SIGN).

変換表の相違のため，この文書は次に示すいくつかの解釈がなされる。

解釈1: x-sjis-unicode-0.9 (三番目の文字はHORIZONTAL BAR。)

解釈2: x-sjis-jisx0221-1995 (三番目の文字はEM DASH。)

解釈3: x-sjis-cp932

解釈4: x-sjis-jdk1.1.7

文字参照を用いることによって，この曖昧さを回避することができる。例えば，解釈2を指定するには，次のように記述する。

<?xml version="1.0" encoding="shift_jis"?>
<doc>&#x005C;&#x007E;&#x2015;&#x005C;&#x301C;
&#x2016;&#x2212;&#x00A2;&#x00A3;&#x00AC;</doc>

又，解析対象実体を宣言し，使用することもできる。シフトJISで書かれた次のXML文書は，曖昧さをもたない。

<?xml version="1.0 encoding="shift_jis"?>
<!DOCTYPE doc [
  <!ENTITY revsol  "&#x5C;">
  <!ENTITY tilde   "&#x7E;">
  <!ENTITY cent    "&#xA2;">
  <!ENTITY pound   "&#xA3;">
  <!ENTITY yen     "&#xA5;">
  <!ENTITY not     "&#xAC;">
  <!ENTITY mdash   "&#x2014;">
  <!ENTITY horbar  "&#x2015;">
  <!ENTITY dvline  "&#x2016;">
  <!ENTITY fparato "&#x2225;">
  <!ENTITY wdash   "&#x301C;">
  <!ENTITY fminus  "&#xFF0D;">
  <!ENTITY fbsol   "&#xFF3C;">
  <!ENTITY ftilde  "&#xFF5E;">
  <!ENTITY fcent   "&#xFFE0;">
  <!ENTITY fpoun   "&#xFFE1;">
  <!ENTITY fnot    "&#xFFE2;">
  <!ENTITY fmacron "&#xFFE3;">
  <!ENTITY fbrvbar "&#xFFE4;">
  <!ENTITY fyen    "&#xFFE5;">
]>
<doc>&revsol;
&tilde;
&cent;
&pound;
&yen;
&not;
&mdash;
&horbar;
&dvline;
&fparato;
&wdash;
&fminus;
&fbsol;
&ftild;
&fcent;
&fpoun;
&fnot;
&fmacron;
&fbrvbar;
&fyen;</doc>

11. xml:lang属性

XML文書（又はその一部）が日本語で書かれていることを示すには，xml:lang属性を用いる。

参考 xml:lang属性は[JIS X 4159]に規定されている。

xml:lang属性の値には, 日本語を表す言語識別コード（例えば ja ）を指定する。属性値には，大文字及び小文字のどちらを使用してもよい。

参考 言語識別コードは[IETF RFC 3066]に規定されている。

日本語段落と英語段落を含むXML文書の例を次に示す。

<?xml version="1.0" encoding="utf-8"?>
<document>
  <para xml:lang="ja">これは段落です。</para>
  <para xml:lang="en">This is a paragraph.</para>
</document>