欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  后端开发

PHP实现Unicode和Utf-8互相转换

程序员文章站 2024-01-23 14:24:46
...
一. 编码原理及实现

unicode编码是实现utf-8与gb系列编码(gb2312、gbk、gb18030)转换的基础,虽然我们也可以直接做一个utf-8到这些编码 的对照表,但很少有人会这么做,因为utf-8的可变编码具有不确定性,因此一般情况使用都是unicode与gb编码的对照 表,unicode(UCS-2)实际上是utf-8的基础编码,utf-8只是它的一种实现而已,两者存在下面的对应关系:

Unicode符号范围 | UTF-8编码方式

u0000 0000 - u0000 007F | 0xxxxxxx

u0000 0080 - u0000 07FF | 110xxxxx 10xxxxxx

u0000 0800 - u0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx

由于目前utf-8使用的字符都是居于UCS-2的,因此对于4-6字节编码的情况是不必考虑的,同样地,在反向转换的时候,如果出现四字节以上的 utf-8字符,可以直接视为乱码忽略掉或转为unicode实体形式("long int;"形式),然后交给浏览器或相关解析程序去处理,用php把unicode转为utf-8编码的算法如下:

/*

* 参数 $c 是unicode字符编码的int类型数值,如果是用二进制读取的数据,在php中通常要用 hexdec(bin2hex( $bin_unichar )) 这样转换

*/

function uni2utf8( $c )

{

if ( $c

{

$utf8char = chr ( $c );

}

else if ( $c

{

$utf8char = chr (0xC0 | $c >> 0x06). chr (0x80 | $c & 0x3F);

}

else if ( $c

{

$utf8char = chr (0xE0 | $c >> 0x0C). chr (0x80 | $c >> 0x06 & 0x3F). chr (0x80 | $c & 0x3F);

}

//因为UCS-2只有两字节,所以后面的情况是不可能出现的,这里只是说明unicode HTML实体编码的用法。

else

{

$utf8char = "{$c};" ;

}

return $utf8char ;

}


在目前的环境范围内,可以认为 utf-8字符集==unicode(UCS-2),但从理论上,主要字符集之关的包含关系如下:

utf-8 > unicode(UCS-2) > gb18030 > gbk > gb2312

因此,如果编码都正确的情况下:

gb2312 => gbk => gb18030 => unicode(UCS-2) => utf-8

这样的一个转变过程,基本上是无损的,但反而言之,由

utf-8 => unicode(UCS-2) => gb18030=> gbk => gb2312

这样的转变过程,是很可能存在不能识别的字符的,因此,如果对于使用utf-8编码的系统,尽量不要轻易的去做反向转换编码的操作。


二. 用PHP将Unicode 转化为UTF-8另外一种方法:


function unescape( $str ) {

$str = rawurldecode( $str );

preg_match_all( "/(?:%u.{4})|.{4};|\d+;|.+/U" , $str , $r );

$ar = $r [0];

//print_r($ar);

foreach ( $ar as $k => $v ) {

if ( substr ( $v ,0,2) == "%u" ){

$ar [ $k ] = iconv( "UCS-2BE" , "UTF-8" ,pack( "H4" , substr ( $v ,-4)));

}

elseif ( substr ( $v ,0,3) == "" ){

$ar [ $k ] = iconv( "UCS-2BE" , "UTF-8" ,pack( "H4" , substr ( $v ,3,-1)));

}

elseif ( substr ( $v ,0,2) == "" ) {

$ar [ $k ] = iconv( "UCS-2BE" , "UTF-8" ,pack( "n" , substr ( $v ,2,-1)));

}

}

return join( "" , $ar );

}


Linux 服务器上 UCS-2 编码方式与 Winodws 不一致,以下是有关两个平台 UCS-2 编码的潜规则:

1. UCS-2 不等于 UTF-16。 UTF-16 每个字节使用 ASCII 字符范围编码,而 UCS-2 对每个字节的编码可以超出 ASCII 字符范围。UCS-2 和 UTF-16 对每个字符至多占两个字节,但是他们的编码是不一样的。

2. 对于 UCS-2, windows 下默认是 UCS-2LE。用 MultibyteToWidechar(或者A2W)生成的是 UCS-2LE 的 unicode。windows记事本可以将文本保存为 UCS-2BE,相当于多了层转换。

3. 对于 UCS-2, linux 下默认是 UCS-2BE。用iconv(指定UCS-2)来转换生成的是 UCS-2BE 的 unicode。如果转换windows平台过来的 UCS-2, 需要指定 UCS-2LE。

4. 鉴于windows和linux等多个平台对 UCS-2 的理解不同(UCS-2LE,UCS-2BE)。MS 主张 unicode 有个引导标志(UCS-2LE FFFE, UCS-2BE FEFF),以表明下面的字符是 unicode 并且判别 big-endian 或 little-endian。 所以从 windows 平台过来的数据发现有这个前缀,不用慌张。

5. linux 的编码输出,比如从文件输出,从 printf 输出,需要控制台做适当的编码匹配(如果编码不匹配,一般和该程序编译时的编码有若干关系),而控制台的转换输入需要查看当前的系统编码。比如控制台当前 的编码是 UTF-8, 那么 UTF-8 编码的东西能正确显示,GBK 就不能;同样,当前编码是 GBK, 就能显示 GBK 编码,后来的系统应该更智能的处理好更多的转换了。不过通过 putty 等终端还是需要设置好终端的编码转换以解除乱码的烦恼。

三.再提供一对PHP中对汉字进行UNICODE完整的编码和解码的实现供参考:

//将内容进行UNICODE编码

function unicode_encode( $name )

{

$name = iconv( 'UTF-8' , 'UCS-2' , $name );

$len = strlen ( $name );

$str = '' ;

for ( $i = 0; $i

{

$c = $name [ $i ];

$c2 = $name [ $i + 1];

if (ord( $c ) > 0)

{

// 两个字节的文字

$str .= '\u' . base_convert (ord( $c ), 10, 16). base_convert (ord( $c2 ), 10, 16);

}

else

{

$str .= $c2 ;

}

}

return $str ;

}

// 将UNICODE编码后的内容进行解码

function unicode_decode( $name )

{

// 转换编码,将Unicode编码转换成可以浏览的utf-8编码

$pattern = '/([\w]+)|(\\\u([\w]{4}))/i' ;

preg_match_all( $pattern , $name , $matches );

if (! empty ( $matches ))

{

$name = '' ;

for ( $j = 0; $j

{

$str = $matches [0][ $j ];

if ( strpos ( $str , '\\u' ) === 0)

{

$code = base_convert ( substr ( $str , 2, 2), 16, 10);

$code2 = base_convert ( substr ( $str , 4), 16, 10);

$c = chr ( $code ). chr ( $code2 );

$c = iconv( 'UCS-2' , 'UTF-8' , $c );

$name .= $c ;

}

else

{

$name .= $str ;

}

}

}

return $name ;

}