PHP实现Unicode和Utf-8互相转换
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 ;
}
上一篇: java获取当前时间
下一篇: bsearch()二分法查找