Wayback 文字化けフィックス

Wayback Machine に残る昔の日本語ページの文字化けを自動で直します。Shift_JIS / EUC-JP / ISO-2022-JP を判定して読めるようにします。

Internet Archive の Wayback Machine で 2000 年前後の日本語ページを開くと、 文字化けして読めないことがあります。この拡張は、その文字コードを自動で 判定して正しく表示します。 インストールしたら、あとは web.archive.org をいつもどおり開くだけです。 URL を書き換える必要も、設定も、アカウントも要りません。 ■ なぜ化けるのか Wayback の保存ミスではありません。バイト列は無傷で残っています。 当時の日本語ページは、文字コードをどこにも宣言していないことがほとんど でした。ブラウザが自動判別してくれたので、書く習慣が無かったのです。 ところが現代のブラウザは、セキュリティ上の理由から自動判別をやめました。 その結果、宣言の無いページはロケール既定 (多くは windows-1252) で解釈され、 Shift_JIS のバイト列が意味不明な記号の羅列になります。 つまり、正しい文字コードを教えてやるだけで読めるようになります。 ■ 判定のしくみ 上から順に試し、必ず実際にデコードして日本語として自然かを検証してから 採用します。当時のページは平気で嘘の charset を書くため、宣言があっても 鵜呑みにはしません。 1. エスケープシーケンス (ISO-2022-JP は一意に決まります) 2. UTF-8 として妥当ならそのまま 3. ページ内の <meta charset> 宣言 4. Wayback が持っている推定値 5. Shift_JIS / EUC-JP / ISO-2022-JP を総当たりし、統計スコアが最良のもの スコアは、ひらがな・カタカナ・和文約物・漢字を加点し、私用領域・半角カナ・ デコード不能バイトを減点して算出します。誤った文字コードで読むと記号ばかりが 並ぶので、これで十分に判別できます。 判定が外れたときは、ツールバーのアイコンから手動で指定できます。 ■ 壊さないための線引き ・UTF-8 として正しく読めるページには一切触りません ・ブラウザが既に正しく解釈しているページも素通りします ・Wayback のツールバーとリンク書き換えはそのまま残ります ・HTML 以外 (画像・PDF・スクリプト) は 1 バイトも触りません ■ プライバシーと通信 ・アクセスできるのは web.archive.org だけです。他のサイトは一切見ません ・閲覧履歴の収集も、外部への送信も、一切しません ・広告なし、課金なし、アカウント登録なし ・文字コードの判定にはページを HTTP キャッシュから読み直します。そのため Internet Archive への負荷はほとんど増えません Internet Archive は非営利のアーカイブです。この拡張は、そこへ余計な負荷を 掛けないことを設計上の条件にしています。 ■ 対応している文字コード Shift_JIS (x-sjis / ms_kanji / windows-31j などの表記揺れを含む) EUC-JP ISO-2022-JP 自動判定の対象は日本語ページです。ページ自身が文字コードを宣言している 場合は、日本語以外でもその宣言に従って表示します (中国語のページなど)。 判定できないときは何もせず、ブラウザの表示をそのまま残します。 ■ ソースコード MIT ライセンスで公開しています。 https://github.com/u5surf/wayback-mojibake-fix