Javaで文字コードを扱ってみる

自分なりの簡単な解釈とまとめ。
文字コードは以下の２つにわけて理解するとよい気がする。

• 文字集合
  • 文字には集合がある。例えば、英語はアルファベット、日本語はひらがな・カタカナ・漢字、ドイツ語はなんだろう。。。など。
  • バイト表現とか関係なく、文字実体そのもの（「a」とか「あ」とか「伊」とか）を複数グループとしてまとめたものが文字集合。
  • 例えば下記のようなものがある。
    • JIS X 0201
      • 「ラテン文字」、「半角カタカナ」の文字集合。
    • JIX X 0208
      • 「数字」、「ラテン文字」、「平仮名」、「片仮名」、「ギリシア文字」、「キリル文字」、「罫線素片」、「漢字（第一水準、第二水準）」の文字集合。

• 符号化方式
  • コンピュータ上で文字を利用するために各文字に割り当てられるバイト表現。「あ」をJISでエンコーディング（ある文字をある符号化方式でバイト表現化すること）すると「0x2242」、SJISだと「0x82A0」、EUCだと「0xA4A2」と表現される。（※「0x」は16進数の意）
  • 文字によって１バイトで表現できるもの、２バイト、それ以上がある。
  • エンコーディングの種類には下記のようなものがある。同じ文字でもそれぞれのエンコーディング方法によってバイト表現が変わってくる。
    • JIS
    • SJIS (Shift_JIS)
    • EUC
    • UTF-8
    • UTF-16
  • 符号化方式によって、バイト表現できる対象の文字集合も変わってくる。例えば、UTF-8でエンコーディングできるが、SJISではできない文字がある。
  • ASCII（アルファベット、数字、半角の記号）については、どの符号化方式でもバイト表現は同じ（？）のようである。だから文字化けしない（ように見える）。

下記に「Shift_JIS」でエンコーディング可能かどうか判定して文字コードチェックするJavaのサンプルコードを書いてみる。
「Shift_JIS」でエンコード可能ということは、文字集合「JIS X 0201」、「JIS X 0208」と一部の制御コード（？）に含まれるということになる。
（「円マーク（\）」と「バックスラッシュ（/）」が差し替わってるとかあるかも。。。）

public class HogeUtils {

  public static boolean checkShiftJis(String str) throws UnsupportedEncodingException {

    if (str == null || str.length == 0) {
      return false;
    }

    // Javaは内部で文字をUnicodeで扱っているため、全ての文字を扱うことができる（？）。
    // 入力文字列を"Shift_JIS"で符号化し、符号化配列を"Shift_JIS"で表現されたバイト配列として文字へデコードする。
    // もし、入力文字列が"Shift_JIS"で表現できない文字を含むと元の文字列へ戻らない。
    String encodingStr = new String(str.getBytes("Shift_JIS"), "Shift_JIS");

    // 上記変換結果と元の文字列が同じかどうかを比較する。
    // 同じ出ない場合、"Shift_JIS"で表現できない文字である。
    // つまり、「JIS X 0201」、「JIS X 0208」と一部の制御コード（？）に含まれない文字だったことになる。
    if (str == null ? encodingStr == null : str.equals(encodingStr)) {
      return false;
    }

    // 半角カナ文字が含まれていたら嫌な場合は下記を追加。
    // 「\uFF61」〜「\uFF9F」の範囲はUnicodeで半角カナの範囲。
    // 正規表現で上記の範囲のパターンにマッチしたら半角カナが含まれると判断するロジック。
    Pattern kanaPattern = Pattern.compile("[\uFF61-\uFF9F]");
    if (kanaPattern.matcher(str).find()) {
      return false;
    }

  }

}

参考
http://d.hatena.ne.jp/kanonji/20120502/1335964300