HTMLのNumeric character references

I18N

HTMLには，文字をコードポイントで表す数値文字参照(numeric character references)がある．昨日の飲み会で，Tさんから，NTT DoCoMoの絵文字（ここですでにピンとくる人がいるだろう（苦笑））を数値実体参照で記述すると，あるプロダクトではUTF-8シーケンス中にShift-JISのコードポイントとして挿入されてしまうという話を聞いた．それはひどいバグだから忘れないうちにと，酔っていたにもかかわらず（笑）さっそく問題をその会社にメールしておいた．


それで，今日酔いが醒めた頭で冷静に問題を整理してみた．まず，NTT DoCoMoの定義は次の通り．

  • 形式は以下のとおりです。(末尾のセミコロンは省略不可です。)

　&#*****;（*****：絵文字に対応するShift-JISコードを10進数で表したもの）

  • 形式は以下のとおりです。(末尾のセミコロンは省略不可です。)

　&#x****; （****：絵文字に対応するUnicodeコードを16進数で表したもの）


http://www.nttdocomo.co.jp/p_s/imode/tag/emoji/e1.html#2


これに対してHTML 4.01の定義は次の通り．

  • The syntax "&#D;", where D is a decimal number, refers to the ISO 10646 decimal character number D.
  • The syntax "&#xH;" or "&#XH;", where H is a hexadecimal number, refers to the ISO 10646 hexadecimal character number H. Hexadecimal numbers in numeric character references are case-insensitive.

http://www.w3.org/TR/REC-html40/charset.html#h-5.3.1


げげっ，これって単にNTT DoCoMoが非互換な実装をしているだけじゃない！一応「推奨しません」と書いてあるのだが，その理由はこれか（苦笑）


実は，iモード対応絵文字のドキュメントには，他にも非標準なのに標準のように書いてあるところとか，じっと見ていると浮かび上がるダークな世界（謎…とても私の口からは言えません）があるので，暇な人は探してみると面白いかもしれない．