PHPの SJISと SJIS-WINの違い

SJIS-WINとは？

PHPで文字コードとして「SJIS-WIN」を指定すると、Microsoftが拡張したShift_JISであるWindows-31Jが使われる。

Windows-31Jは、Microsoftが「JIS X 0208-1990」をベースに、NECとIBMの独自拡張文字の一部（一般的にはSJISの「機種依存文字」と呼ばれる？）を取り込んだ文字コード。
（参考：Microsoftコードページ932 - Wikipedia）



SJISとSJIS-WINで何が違うの？

SJIS-WINの方が文字が多い。

よく使うところでは、下記のような文字はSJISｰWINにはあるがSJISにはない。

• 丸数字 （①②③...⑳）
• ローマ数字 （ⅠⅡⅢ...Ⅹ、ⅰⅱⅲ...ⅹ）
• カッコ付きの株 （㈱）
• はしご高［はしごたか］ （髙）
• たつ崎［たつさき、たちさき］ （﨑）
  

SJIS-WINにはあるがSJISにはない文字

下記の3種類

• NEC 特殊文字（13区）
• NEC 選定 IBM 拡張文字（89～92区）
• IBM 拡張文字（115～119区）
  

具体的な文字の一覧については下記参考サイトを参照。

• シフトJISの拡張文字
  
• SJISに無い文字を見たいだけならこれが一番見やすい
  
• Shift-JIS 文字コード表
• 「全角文字」の赤い文字はSJISにはない文字
• SJISにある文字も含めて見たいならこれが見やすい
• Windows-31J の文字セット
• 重複している文字が強調されている
  

SJIS-WINにはあるがSJISにはない文字を正規表現で探すには？

preg_match()等のPCRE関数はUTF-8以外のマルチバイト文字に対応していないので、そのままではShift_JISには使えない。（UTF-8の場合はパターン修飾子として"u"を付ければ使える。）
一見Shift_JISでも使えそうに見えることもあるが、Shift_JISの2バイト目と次の文字の1バイト目を1つの文字とみなしてヒットしてしまう場合がある。

preg_match('/[\x87][\x40-\x8F]/', 'ョ@'); // => true

対策としては、対象文字列をmb_substr()等を使いあらかじめ1文字ずつに分解しておいて、それを1文字ずつチェックしていけば正しく判定できる。

また、PHP4ではmb_ereg系の関数をこれに使えたみたいだが、鬼車のPHP5では使えないみたい。

単純にSJIS-WINにはあるがSJISにはない文字を含んでいるかどうかを判定しただけなら、それぞれの文字コードに変換した後に比較すれば分かる。

$utf8 = '株';
$sjis = mb_convert_encoding($utf8, 'SJIS', 'UTF-8');
$sjisWin = mb_convert_encoding($utf8, 'SJIS-WIN', 'UTF-8');

var_dump($sjis === $sjisWin); // => true

$utf8 = '㈱';
$sjis = mb_convert_encoding($utf8, 'SJIS', 'UTF-8');
$sjisWin = mb_convert_encoding($utf8, 'SJIS-WIN', 'UTF-8');

var_dump($sjis === $sjisWin); // => false