文字種

テキストを構成する文字の⁠分⁠類⁠。ひらがな、カタカナ、漢字、英字、数字、記号などのカテゴリに分けられ、入力バリデーションや文章分析の基本単位と⁠な⁠る⁠。

文字種 (character type) は、テキスト中の文字をその性質に基づいて分類したカテゴリ⁠で⁠す⁠。日本語のテキストは世界でも特に多様な文字種を含み、ひらがな、カタカナ、漢字、全角英数字、半角英数字、全角記号、半角記号が 1 つの文章の中に混在し⁠ま⁠す⁠。この多様性が日本語テキスト処理の複雑さの根源⁠で⁠す⁠。

Unicode では文字種を「General Category」プロパティで分類してい⁠ま⁠す⁠。大分類として Letter (文字)、Mark (結合記号)、Number (数字)、Punctuation (約物)、Symbol (記号)、Separator (区切り)、Other (その他) の 7 種があり、さらに小分類に細分化され⁠ま⁠す⁠。日本語の漢字は「Lo」(Letter, other)、ひらがなも「Lo」に分類されるため、Unicode のカテゴリだけでは漢字とひらがなを区別できま⁠せ⁠ん⁠。

日本語の文字種判定には Unicode のブロック (コードポイントの範囲) を使い⁠ま⁠す⁠。ひらがなは U+3040〜U+309F、カタカナは U+30A0〜U+30FF、CJK 統合漢字は U+4E00〜U+9FFF が基本範囲⁠で⁠す⁠。正規表現では /[\u3040-\u309F]/ でひらがな、/[\u30A0-\u30FF]/ でカタカナを判定でき⁠ま⁠す⁠。ただし、カタカナ音声拡張や仮名拡張 A / B、2025 年 9 月公開の Unicode 17.0 時点で A から J まで追加されている CJK 統合漢字拡張も考慮すると、対象範囲はさらに広がり⁠ま⁠す⁠。実務で見落としやすいのは、基本範囲の内側に仮名以外の文字が混じっている点⁠で⁠す⁠。カタカナブロックの末尾には中黒「・」(U+30FB) と長音符「ー」(U+30FC) が含まれるため、フリガナ欄を /[゠-ヿ]/ だけで「全角カタカナのみ」と検証すると中黒が通過し⁠ま⁠す⁠。逆に半角カタカナ (U+FF66 以降) はこの範囲の外にあり、同じ判定では弾かれ⁠ま⁠す⁠。許可したい文字を範囲でなく列挙で定義するか、正規化してから判定するのが安全⁠で⁠す⁠。

フォームのバリデーションは、文字種の制限を用いる代表的な場面⁠で⁠す⁠。「全角カタカナのみ」(氏名のフリガナ)、「半角英数字のみ」(パスワード)、「数字のみ」(電話番号) といった制約⁠で⁠す⁠。日本語特有の問題として、全角数字「123」と半角数字「123」の混在、カタカナの全角「カ」と半角「カ」の混在があり、バリデーション前に正規化 (全角→半角変換など) を挟んでこの混在を吸収し⁠ま⁠す⁠。

文章分析では、文字種の比率がテキストの特性を示す指標になり⁠ま⁠す⁠。漢字の比率が高い文章は情報密度が高く硬い印象を与え、ひらがなの比率が高い文章は柔らかく読みやすい印象を与え⁠ま⁠す⁠。編集の現場では、漢字を 3 割程度に抑えて残りをひらがな中心にすると読みやすいという目安が受け継がれてい⁠ま⁠す⁠。ただしこれは測定によって定まった基準ではなく経験則であり、カタカナ語や英数字を含む実際の文章では漢字とひらがなの比率を足しても 100% にはなりま⁠せ⁠ん⁠。技術文書と読み物では適正な漢字率が異なるため、絶対値を追うよりも同じ媒体の過去原稿と並べて外れ値を探す使い方が実用的⁠で⁠す⁠。

文字数カウントツールの高度な機能として、文字種別のカウントがあり⁠ま⁠す⁠。入力テキストに含まれるひらがな、カタカナ、漢字、英字、数字、記号の各文字数を個別に表示することで、文章のバランスを可視化でき⁠ま⁠す⁠。レポートや論文の執筆では、漢字率が高すぎないか、カタカナ語が多すぎないかを確認する指標として活用され⁠ま⁠す⁠。

この記事を共有