Unicode 正規化形

[3] Unicode では、実際には同じ意味を表す列を複数の文字の列で表せることがあります。この時、そのうちの一つの表現を代表として定めた上で、それへの変換方法を規定することができ、その表現、あるいは変換方法を正規化形 (normalization form) といいます。正規化形に変換することを正規化 (normalization) といいます。

仕様書

正規化形

[4] 正規化形にはいくつかのバリエーションがあります。

[5] 正規化形と応用レベルの文脈上の制約を組み合わせた概念もあります。

完全正規化

[50] Stringprep やUnicode IDNA互換性処理や PRECIS も広義の正規化と言えますが、 Unicode の正規化に加えて大文字と小文字の変換や禁止文字などその他の処理も組み合わさっています。 IDNA2008 による制約を満たす文字列も広義の正規化形と言えますが、やはり他の制約が組み合わさっています。

正規化形の性質

固有性

[24] 固有性 (uniqueness) は Unicode 正規化形の最も重要な設計目標とされています。 2つの等価な文字列の正規化形は完全に一致します >>6 7。すなわち、

[25] 2つの文字列が正準等価 (canonical equivalent) なら、両者に NFC を適用した結果は一致します。また、両者に NFD を適用した結果は一致します。 >>6 7
[26] 2つの文字列が互換性等価 (compatibility equivalent) なら、両者に NFKC を適用した結果は一致します。また、両者に NFKD を適用した結果は一致します。 >>6 7
[27] NFC, NFD, NFKC, NFKD はいずれも冪等です。 >>6 7
- [28] これは >>25、>>26 から導かれます。 >>6 7
- [46] 訂正 #5 による変更以前は実は冪等でないケースが存在しました。

安定性

[29] ここでいう安定性 (stability) は正規化に直接関係しない文字がそのまま無変更で残ることをいいます。具体的には、

[30] 互換性分解を持った文字は、 NFC や NFD を適用しても元の文字のまま結果に含まれます。 >>6 7
[31] 結合文字が含まれていなければ、 NFC によって文字列は変化しないことを原則とします。 >>6 7
- [32] 合成除外表に含まれるものは例外です。 >>6 7
[33] 合成に無関係な結合文字が含まれていても、合成の結果には影響しません。 >>6 7
- [34] 合成済文字に対応する基底文字と結合文字に加え、更に別の結合文字があったとしても、結合文字同士の順序の如何を問わず、結局合成は行われ、それに加えてその別の結合文字が残ります。

効率性

[35] 正規化は効率的 (efficiency) に実装可能であるとされています >>6 7。具体的には、

[36] 正規化形が効率良く実装可能であって、とりわけ既に NFC または NFD である文字列に対して NFC を高速に得ることが可能です。 >>6 7
[37] 合成を行う正規化形は、必ずしも最初の形を生成するものではありません。最小形の計算は高価である可能性があるためです。 >>6 7

安定性

[7] Unicode Consortium の規定する Unicode の正規化形、NFC、NFD、 NFKC、NFKD については、安定性、つまり Unicode の改訂を通じて正規化に非互換な変更が加わらないことがある程度保証されています。

[58] 基本的には、安定性は文字が定義されている符号位置に関するものです。新たな Unicodeの版で新しい文字が追加されると、その符号位置の正規化の結果は変化するかもしれません。

強い正規化安定性

[10] 強い正規化安定性 (strong normalization stability) : Unicode 4.1 とそれ以降において、ある版で割り当て済みの文字のみから構成される文字列を正規化した結果は、その文字列を以降の任意の版で正規化した結果と一致します。 >>9

[11] そのために、一旦割り当てられた文字の分解写像と正準結合クラスが改訂によって変化しないことが保証されています。 >>9

[12] この安定性は割り当て済みの文字のみで構成される場合についてのものであり、未割当の符号位置が含まれているときには必ずしも保証されません。

[38] この安定性が保証されるのは Unicode 4.1 以降ですが、実際には Unicode 3 以降においても Corrigendum #2, Corrigendum #3, Corrigendum #4, Corrigendum #5 の影響を受けない範囲では成立します。 >>6 11.2

弱い正規化安定性

[13] 弱い正規化安定性 (weak normalization stability) : Unicode 3.1 とそれ以降において、ある版で割り当て済みの文字のみから構成される文字列を正規化した結果得られる文字列は、以降の任意の版においても正規化済みです。また、それ以前で Unicode 3.1 までの版であって、その文字列に含まれる文字すべてが含まれる版においてもまた、正規化済みです。 >>9、>>6 11.1

[14] そのために、一旦割り当てられた文字の分解写像がいくつかの例外ケースを除き改訂によって変化しないこと、正準結合クラスが改訂によって変化しないことが保証されています。 >>9

[8] Unicode 正規化形の合成版 (composition version) は「UCD 3.1.0」であると規定されています >>6 3。これは弱い正規化安定性が 3.1.0 以降について成立するということです。

[15] 強い正規化安定性が保証されれていれば、弱い正規化安定性もまた保証されます。

[18] 「XY」の2文字から「Z」の1文字への合成を追加する場合、弱い正規化安定性が満たされるためには、 3文字すべてが新しい文字であるか、または X と Y のどちらかだけが古い文字であるかでなければなりません。 >>6 3

[20] また、正規化に影響するような既存の文字の特性の変更も認められないことになります。 >>6 3

例

[16] 「Q + caron」という文字 (の列) を考えます。合成版である 3.1.0 にはこれを1符号位置で表す合成済文字は含まれていません。基底文字と結合文字の2文字で表すしかなく、これが正規形です。

[17] その後の版で、「Q + caron」を1文字で表す合成済文字が追加されたとしましょう。自然に考えれば「Q-caron」 → 「Q」 + 「caron」という合成 (正準分解) を追加したいところですが、そうすると以前の版で NFC だった「Q」 + 「caron」の2文字の表現が NFC ではなくなり、新しい「Q-caron」に正規化しなければならなくなってしまいます。これは弱い正規化安定性の定義に反します。

[19] Unicode Consortium は新しい合成を追加することを非推奨としており、従って「Q-caron」のような文字が後から追加されることは原則として無いようです。 >>6 3

Unicode 3.1 以前の非互換性

[22] Unicode 3.1.0 が「合成版」ということは、逆にそれまでの版と現在とでは互換性がない変更が行われていることを意味します。

[23] たとえば Unicode 2.1.9 においてハングル音節に関する互換性写像が削除され、正規化の結果が変化しています。 >>6 6

[43] Unicode 3.0.1 と 3.1 の間に発行された訂正 #2 では、誤って合成除外表から欠落していた1文字について、合成除外表に追加され、非互換性が生じています。

Unicode 3.1 から Unicode 4.1 までの非互換性

[39] UAX #15 では、強い正規化安定性が保証されていない Unicode 4.1 よりも前の版との互換性が必要な時の対処方法として、

[40] Unicode 4.1 以前の動作に近づける >>6 11.3
[41] 動作が変わってしまった文字の利用を禁止する >>6 11.4

... の2通りを挙げて説明しています。

[42] >>41 は利用頻度が少ない文字だから問題ないことが多かろうなどと説明されていますが、ひどいもんですなw

[44] Unicode 3.1 と 4.1 の間には訂正 #3と訂正 #4が発行され、 6文字について正準分解が修正されています。

[45] Unicode 4.0.1 と 4.1 の間には訂正 #5 が発行され、「妨害」の定義が修正されて正規化の冪等性 (>>27) が保たれるようになっています。それ以前も冪等性は設計目標に入っていましたが、定義の誤りにより厳密には成立していませんでした。

分解と合成

[55] Unicode では、符号化文字列文字列に対して正準分解、正準合成、互換分解といった演算が定義されています。 4つの正規化形は、その組み合わせとして次のように定義されています >>54。

NFC: 文字列の正準分解の正準合成
NFKC: 文字列の互換分解の正準合成
NFD: 文字列の正準分解
NFKD: 文字列の互換分解

[67] 次のような手順群に整理できます >>54。

[64] 文字列に完全分解を適用します。 NFC/NFD なら正準等価性を、NFKC/NFKD なら互換等価性を用います。
[65] NFC/NFKC なら、
1. [66] 文字列に正準合成アルゴリズムを適用します。
[68] それ以外なら、
1. [63] 文字列に正準再順序付けアルゴリズムを適用します。

大文字・小文字との関係

[52] >>51 はプログラミング言語の識別子について大文字・小文字不区別と正規化を両方採用する場合について考察しています。

[51] UAX #31: Unicode Identifier and Pattern Syntax (2013-09-30 19:53:19 +09:00 版) http://www.unicode.org/reports/tr31/#normalization_and_case

正規化が好ましくない挙動を示すケース

[77] NFKC, NFKD は破壊的です。データの意味を致命的に変化させてしまうことが多いです。特別に望ましい理由があって避けられない場合を除き、使うべきではありません。

[80] NFC が好ましいとされており、 NFD はそれと逆方向の変換であるため、特に理由がなければ NFD は使うべきではありません。

[96] NFC はデータを破壊することがあります。影響が完全に理解されている場合を除き使うべきではありません。

[79] CJK統合漢字との字形差をCJK互換漢字で表したものが、正規化で破壊されるケースがあります。 (ありますというか、符号点の個数でいえばそのほうが多い。)

[87] その対策で導入された CJK互換漢字に対応した SVS は、 CJK互換漢字と同じものを表しますが、正規化で同一視される関係にはありません。大元の CJK互換漢字はただの CJK統合漢字と同一視されてしまうという、ねじれた関係にあります。 SVS

つまり正規化はデータの破壊には役に立ちますが、検索の役には立ちません。

[94] 日本の常用漢字の旧字体のかなり多くがCJK互換漢字で表されています。正規化すると旧字体から新字体への文字化けが起こります。

[95] NFC, NFKC, NFKD をハングルに適用すると望ましからざる結果になることがあります。 KS X 1026-1

[97] NFKC, NFKD はハングル以外でも文字の意味を考慮しないで似た文字に変化させてしまうものなので、ハングルで適用前後で文意が変わってしまうとしても特別に問題ということでもなさそうです。 (文意が変わってしまうケースはハングル関係なく NFKC, NFKD を使うべきではないので。)

[98] NFC は古ハングルが混じったデータに適用するとハングル音節の構造を壊してしまうことがあります。 KS X 1026-1

[78] combining enclosing mark を使った合成済文字と結合文字列とで挙動が異なり、正規化の対象から除外されているケースがあります。 combining enclosing mark

[86] 正準等価な正規化により発生する結合文字の順序の入れ替えが好ましからざる変化をもたらすことがあります。 CGJ

[81] 単独のダイアクリティカルマークの多くは互換分解で U+0020 + 結合文字のダイアクリティカルマークに分解されてしまいます。 U+0020 になることによって都合が悪いケースもあります。結合文字

[82] ラテン文字やキリル文字の基底文字に重ねる形や一部を変形される形のダイアクリティカルマーク (overlaid diacritics) の扱いは一貫していません。合成済文字と基底文字 + 結合文字の2種類の表現方法があっても、大まかにいって、数式と越南用のものは正規化され、それ以外のラテン文字系のものは正規化されないようです。 >>164, >>88