用PHP将Unicode 转化为UTF-8-白红宇

用PHP将Unicode 转化为UTF-8

阅读量：4938 次

发布时间：2019-06-11

本文共 2762 字，大约阅读时间需要 9 分钟。

                  
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
);
}
echo
unescape(
"紫星蓝"
);
今天有用户反馈，表单系统用户提交的数据中文会乱码。测试发现问题出在 iconv 转换上。
iconv(
'UCS-2'
, 
'GBK'
, 
'中文'
)
Google 搜索发现，原因是 Linux 服务器上 UCS-2 编码方式与 Winodws 不一致。
于是，我改成  iconv(
'UCS-2BE'
, 
'GBK'
, 
'中文'
) 试试，中文正常了
 
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。
PHP中对汉字进行UNICODE编码和解码的实现
 
//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
;
}
$name
= 
'MY,你大爷的'
;
$unicode_name
=unicode_encode(
$name
);
echo
'<h3>'
.
$unicode_name
.
'</h3>'
;
// 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
;
}
echo
'MY,\u4f60\u5927\u7237\u7684 -> '
.unicode_decode(
$unicode_name
);
         
       