Web便利ツール集

全角2・半角1で文字数を数えるJavaScript|判定範囲とバイト数の落とし穴

JavaScript文字数全角半角バイト数半角カナShift_JIS

入力欄に「全角20文字・半角40文字まで」と書かれているとき、全角は2、半角は1として数える関数が必要になります。ところが、この数え方には統一された定義がなく、判定の書き方によって「①」「…」「ア」「¥」の扱いが変わります。この記事では、判定方法を3つ比較し、Node.js で実測した結果と、UTF-8・Shift_JIS のバイト数との違いをまとめます。

結論:「全角2・半角1」は仕様として先に決める

先に結論をまとめます。

  • 「全角2・半角1」の数え方に標準の定義はありません。どの文字を半角とみなすかは、実装者が決めることになります。
  • 判定は「ASCII の範囲と半角カナだけを1、それ以外を2」とする方式が、ずれにくいと考えられます。
  • 「全角の範囲を列挙して数える」方式は、①・…・★・→・引用符などを取りこぼします。
  • UTF-8 のバイト数と「全角2・半角1」の数え方は別物です。半角カナは UTF-8 では3バイトですが、Shift_JIS では1バイトです。
  • 送信先が数えるバイト数と入力欄の数え方がずれていると、画面では通ったのにサーバーで弾かれる、という食い違いが起きます。

絵文字や結合文字で length がずれる問題は別の話なので、JavaScriptで絵文字の文字数がずれる原因 にまとめています。この記事は、日本語の全角・半角の区別に絞っています。

「全角2・半角1」はなぜ生まれたのか

この数え方は、Shift_JIS が主流だった時代のバイト数の名残だと考えられます。Shift_JIS では、半角英数字と半角カナは1バイト、ひらがな・漢字などの全角文字は2バイトで表されるため、「全角2・半角1」で数えるとバイト数とほぼ一致しました。

Windows 標準の日本語の文字コード(cp932)で実際にバイト数を確認すると、次のとおりです。

文字cp932のバイト数UTF-8のバイト数
a11
あ23
ア(半角カナ)13
ー(長音)23
①23
…23
★23
A(全角)23

cp932 の値は、.NET の Encoding で実際に変換して確認したものです。UTF-8 の値は Node.js の TextEncoder で確認しました。

ここで注目したいのは、半角カナが cp932 では1バイト、UTF-8 では3バイトという点です。文字コードが変わると、バイト数を基準にした制限の意味も変わります。

判定方法を3つ比較する

実際に3種類の判定を書いて、同じ文字列に当ててみました。Node.js v20.20.1 での実測です。

方式A:コードが 0xFF 以下なら1、それ以外は2

const lengthA = (s) =>
  [...s].reduce((n, c) => n + (c.codePointAt(0) <= 0xff ? 1 : 2), 0);

古い記事でよく見かける書き方で、Shift_JIS 時代の発想に近いものです。

方式B:ASCII と半角カナだけを1、それ以外は2

const lengthB = (s) =>
  [...s].reduce(
    (n, c) => n + (/[ -~。-゚]/.test(c) ? 1 : 2),
    0
  );

U+0020〜U+007E が ASCII の印字可能文字、U+FF61〜U+FF9F が半角カナの範囲です。

方式C:全角の範囲を列挙して数える

文字数カウントツールが「全角文字」を数えるのと同じ考え方です。ソースを確認したところ、次の範囲を全角として数えています。

// U+3000-9FFF, U+F900-FAFF, U+FF01-FF60, U+FFE0-FFE6 を全角とみなす
const isFull = (c) =>
  (c >= 0x3000 && c <= 0x9fff) ||
  (c >= 0xf900 && c <= 0xfaff) ||
  (c >= 0xff01 && c <= 0xff60) ||
  (c >= 0xffe0 && c <= 0xffe6);

実測結果

同じ文字を3方式に当てた結果です。方式Cは「全角と判定された文字数」で、2倍にする前の値です。

文字方式A方式B方式C(全角と判定されるか)
abc330
あいう663
アイウ(半角カナ)630
ガ221
ー221
①220
…220
★220
→220
¥(U+00A5)120
¥(全角)221
😀220

方式Aは、半角カナ「ア」を2と数えてしまいます。U+FF71 は 0xFF より大きいためです。一方、方式Bは半角カナを1、「①」「…」「★」を2と数えるので、Shift_JIS 時代の感覚に近い結果になります。

実務の落とし穴:ツールの「全角文字」と「半角文字」は定義の問題

当サイトの文字数カウントツールは、「全角文字」の個数を数え、文字数からそれを引いたものを「半角文字」として表示しています。ソースを読んで確認した動作です。

つまり、方式Cの範囲に入らない「①」「…」「★」「→」などは、見た目が全角でも「半角文字」にカウントされます。「半角」の欄が、実際の半角文字の数ではなく、全角と判定されなかった文字の数になっているわけです。

この表示を、そのまま「半角の文字数」として提出に使うと、数え方が合わない場合があります。使い分けの目安は次のとおりです。

  • 「文字数」の欄は、コードポイント単位の個数なので、日本語の文章の文字数の確認には使えます。
  • 「バイト数(UTF-8)」の欄は、UTF-8 で数える制限の確認に使えます。
  • 「全角文字」「半角文字」の欄は、範囲を限った簡易的な判定と考えて、記号を含む文章では目安にとどめます。

「全角2・半角1」で正確に数えたい場合は、上記の方式Bのような関数を使い、記号の扱いを仕様として明記するのが確実です。

半角カナの濁点は2文字として数えられる

半角カナの「ガ」は、「カ」と「゙」の2文字で構成されます。Node.js で実測したところ、length も [...s].length も2で、UTF-8 では6バイトでした。全角の「ガ」は1文字で3バイトです。

方式Bで「ガ」を数えると2、「ガ」を数えると2で、結果は一致します。ただし、文字数としては2と1で食い違うため、半角カナを含む入力では、「文字数」と「全角2・半角1の数え方」が一致しないことがある点に注意してください。半角カナを全角に直す方法は 半角カナを全角に変換するJavaScript で、実際の変換は全角⇔半角変換ツールでも試せます。

円記号「¥」だけ、数え方が割れる

表の中で、他と違う動きをしたのが「¥」(U+00A5)でした。方式Aは1、方式Bは2と数えます。UTF-8 では2バイトです。

また、この環境の cp932 の変換では、U+00A5 を変換できませんでした。cp932 では、半角の \ に相当する位置に円記号が表示される、という歴史的な事情があるためと考えられます(この点は、環境やフォントによって見え方が違うため、詳細は未検証です)。

実務では次の2点に気をつけてください。

  1. 「¥」と「¥」(全角)を同じ文字として扱わない。数え方が変わります
  2. 金額の入力欄などで、Shift_JIS の送信先に「¥」を送ると、文字化けや変換エラーの原因になる場合がある

画面では通るのにサーバーで弾かれるとき

入力欄の数え方と、送信先が数える単位が一致していないと、食い違いが起きます。切り分けは次の順で行うと早く済みます。

  1. 制限が「文字数」か「バイト数」かを、送信先の仕様書で確認する
  2. バイト数の場合は、文字コードが UTF-8 か Shift_JIS かを確認する
  3. 問題が出た文字列を、UTF-8 のバイト数と全角2・半角1の数え方の両方で測る
  4. 半角カナ・①・…・¥・絵文字を1文字ずつ試し、どれで食い違うかを特定する

UTF-8 のバイト数は、次のように求められます。

const utf8Bytes = (s) => new TextEncoder().encode(s).length;

絵文字の「😀」は、UTF-8 で4バイト、cp932 では変換できませんでした。Shift_JIS 系の送信先に絵文字を送ると、「?」に置き換わる、またはエラーになる可能性があります。

なお、maxlength 属性は入力欄の側の簡易的な制限です。ブラウザや日本語入力の組み合わせによって、変換中の文字の扱いが違うという報告も見つかりますが、私の環境では検証していません。入力欄の制限だけに頼らず、送信前とサーバー側でも同じ基準で検査するのが安全です。

提出先の字数制限は、数え方を確認してから

履歴書の自己PRや、エントリーシートの入力欄では、「400字以内」と書かれていても、改行やスペースの扱いが分からないことがあります。文書の字数の数え方は レポートの文字数の数え方 にまとめています。入力欄の仕様が不明なときは、提出先の案内で確認するのが確実です。

まとめ

  1. 「全角2・半角1」に標準の定義はなく、どの文字を半角とみなすかは、実装者が決める
  2. ASCII と半角カナだけを1とし、それ以外を2とする方式が、ずれにくいと考えられる
  3. 全角の範囲を列挙する方式は、①・…・★・→などを取りこぼす。当サイトのツールの「半角文字」欄もこの影響を受ける
  4. 半角カナは cp932 では1バイト、UTF-8 では3バイトで、バイト数の基準が変わる
  5. 画面では通るのに送信で弾かれたら、制限の単位と文字コードを確認し、特殊な文字を1つずつ試して特定する

なお、本記事の数値は Node.js v20.20.1 での実測と、.NET の cp932 エンコーディングでの変換結果です。ブラウザや他の言語、特定のシステムの仕様での結果は検証していません。個別のシステムの制限は、その仕様書を優先してください。

この記事で使うツール

関連記事