UNICODEの互換文字 ＜知らぬ間に紛れ込んでいる＞

ダウンロードしたPDFファイルをツールで読上げると、特定の文字を読み飛ばすことに気が付いた。

問題のファイルは総務省が公開している

 クラウドサービス提供における情報セキュリティ対策ガイドライン（第3班）
 https://www.soumu.go.jp/main_content/000771515.pdf

で、Chromeで読上げているときに、特定の文字を読み飛ばすことに気が付いた。
他の読上げツールでも同様に読み飛ばすので、ツールの問題ではないだろうと考え、文字コードを調べてみたら

大 (U+5927) が
⼤ (U+FDEC) で

記録されていることが分かった。

「⼤」(U+FDEC)は「大」 (U+5927)の互換文字で、異なる文字コード(CP932など)から変換した際に変換されることがあるらしい。

見た目には分からないのだが、文字コードが異なるので、検索でヒットしないし、読上げツールも読めない。
公開した人もそこまでチェックしなかったのだろう。

ということで、このドキュメントの互換文字をすべてチェックしたら

文字	Unicodeコードポイント	UTF-8 バイト列	Unicode 名称
⼤	U+FDEC	EF B7 AC	FULLWIDTH CJK IDEOGRAPH-5927 (全角 大)
⽀	U+FDEC	EF B7 AC	FULLWIDTH CJK IDEOGRAPH-652F (全角 支)
⽐	U+FDEC	EF B7 AC	FULLWIDTH CJK IDEOGRAPH-6BD4 (全角 比)
⽋	U+FDEC	EF B7 AC	FULLWIDTH CJK IDEOGRAPH-6B20 (全角 欠)
⽰	U+FDEC	EF B7 AC	FULLWIDTH CJK IDEOGRAPH-793A (全角 示)
⼼	U+FDEC	EF B7 AC	FULLWIDTH CJK IDEOGRAPH-5FC3 (全角 心)
⼩	U+FDEC	EF B7 AC	FULLWIDTH CJK IDEOGRAPH-5C0F (全角 小)

が使われているようだ。
どのアプリで変換されたかは不明だが、CP932から変換されたドキュメントは注意が必要だ。

---

最近の投稿
【Yoshiのよしなしごと】【Yoshiのブログ】【よしなしごと】【ほぼ1人情シス】