dialpad テキスト - 2進数変換ツール star

仕組み

テキストは1文字ずつ2進数に変換されるのではなく、まずUTF-8としてエンコードされた後、バイト単位で変換されます。この違いは重要です。1文字が常に1バイトに収まるとは限らないからです。ASCII文字(英数字と記号、コードポイント0-127)を入力した場合はちょうど1バイトに収まるため、たとえばAは1つの8ビットグループになります: 01000001。しかし、英語以外のほとんどの文字はより多くの領域を必要とします。トルコ語の点付き大文字İ(Unicode U+0130)は、UTF-8では1バイトではなく2バイトでエンコードされます: 11000100 10110000 — 2つの独立した8ビットグループです。😀(U+1F600)のような絵文字は4バイトを必要とします: 11110000 10011111 10011000 10000000。このツールはまさにこのパイプラインを実行します — テキスト → UTF-8バイト → バイトごとにスペースで区切られた1つの8ビット2進数グループ — そのため「İ」「ğ」や絵文字を含む単語は、「1文字は1バイト」という単純な想定より明らかに多くのグループを生成します。

この余分なバイトは無作為なものではなく、UTF-8を認識できるあらゆるデコーダー(このツールが変換を逆方向に実行する際も含む)が識別できる固定のビットパターンに従っています。複数バイトのシーケンスの最初のバイトは、そのバイトが何バイトで構成されているかを示す一連の1ビットの後に0が続く形で始まります — 110xxxxxは「合計2バイト」、1110xxxxは「3バイト」、11110xxxは「4バイト」を意味します — 一方、それに続く各バイト、すなわち継続バイトは、常に固定の接頭辞10xxxxxxで始まります。İの11000100 10110000を読み解くと、デコーダーは110(2バイトの先頭バイト)を認識し、続いて10で始まるバイト(ちょうど1つの継続バイト)を確認して、シーケンスが完結していることを確かめ、両方のバイトの残りのビットから単一のUnicodeコードポイントU+0130を再構築します。複数バイト文字の途中で迷い込んだバイトや破損したバイトがあるとデコードが失敗するのも、このためです — 継続バイトの接頭辞が一致しなければ、文字を再構成できません。

知っておくべきこと

2進数をテキストに戻す変換は、同じパイプラインを逆方向にたどります: 8ビットグループが順番に読み込まれ、各先頭バイトの接頭辞を調べていくつの継続バイトが付随するかを判断することで完全なUTF-8バイトシーケンスに再グループ化され、その後文字へとデコードされます — そのため、正しく生成された2進数の文字列は、トルコ語文字や絵文字を含め、常に元のテキストと完全に一致する形へ変換され、近似値になることはありません。これが機能するのは、ここで扱う2進数が特にUTF-8であるからにほかなりません。異なるエンコーディング(UTF-16や、ISO-8859-9/Windows-1254のようなトルコ語用のシングルバイトエンコーディングなど)で生成された2進数は、同じ文字に対して異なるバイト数とビットパターンを使用するため、ここに貼り付けても誤ったテキストにデコードされるか、完全に失敗します — これは万能な2進数-テキスト変換ツールではなく、UTF-8専用のツールです。変換はすべてブラウザ内でクライアント側で実行されるため、入力したテキストや2進数がどこかに送信されることはありません。