欢迎各位兄弟 发布技术文章

这里的技术是共享的

You are here

PHP实现Unicode和Utf-8互相转换

shiping1 的头像
  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 < 0x80)
   {
         $utf8char chr ( $c );
   }
   else if ( $c < 0x800)
   {
         $utf8char chr (0xC0 | $c >> 0x06). chr (0x80 | $c & 0x3F);
   }
   else if ( $c < 0x10000)
   {
         $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})|&#x.{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) == "&#x" ){
             $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 $len - 1; $i $i + 2)
     {
         $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 count ( $matches [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 ;
}
普通分类: