大家都知道,不同字符編碼,其在內存占用的字節數不一樣。如ASCII編碼字符占用1個字節,UTF-8編碼的中文字符是3字節,GBK為2個字節。
PHP 也自帶幾種字符串截取函數,其中常用到的就是 substr 和 mb_substr。
使用substr截取中文字符時會出現亂碼,這是因為substr是按字節來截取的。即UTF-8編碼的中文,使用substr截取,只會截取1/3個中文,當然出現亂碼了。
mb_substr ( string $str
, int $start
[, int $length
[, string $encoding
]] ) 中的參數$encoding可以指定編碼,如果省略,則使用內部字符編碼。
如果不清楚字符串的編碼格式的話,可以用mb_detect_encoding檢查:
$encoding = mb_detect_encoding($string, array("ASCII",'UTF-8′,"GB2312′,"GBK",'BIG5′));
然後:
mb_substr ( string $str
, int $start
[, int $length
[, string $encoding
]] )
如果自己實現mb_substr,效率並不是很好。
編碼相關的php函數使用
ord(substr($str, $i, 1)) > 0xa0)
ord($string)返回字符串第一個字符的ASC碼,通過這個來判斷截取的字符串第一個字符是不是漢字,因為例如gb2312編碼的一個文字是2字節,utf8為三個字節。即 編碼大於256的就是漢字。
正則字符:
匹配漢字 : preg_match_all('/[\x80-\xff]?./', $string, $match);
匹配英文: preg_match_all("/[/x01-/x7f]+/", $string, $match);
編碼轉換
iconv ( string $in_charset
, string $out_charset
, string $str
)
如GB2312 轉UTF-8: iconv("GB2312","UTF-8",$text)
url 編碼urlencode
編碼後返回的字符串中除了
-_. 之外的所有非字母數字字符都將被替換成百分號(
%)後跟兩位十六進制數,空格則編碼為加號(
+)。此編碼與 WWW 表單 POST 數據的編碼方式是一樣的,同時與
application/x-www-form-urlencoded 的媒體類型編碼方式一樣。
不過應該注意的是,在編碼時應該只對部分URL編碼,否則URL中的冒號和反斜槓也會被轉義。
URLEncode的方式一般有兩種,一種是傳統的基於GB2312的Encode,另一種是基於UTF-8的Encode。 如:
復制代碼 代碼如下:
$url = '中國';
echo urlencode($url );
//UTF-8: %E4%B8%AD%E5%9B%BD
//GB2312:%D6%D0%B9%FA
例如我們使用浏覽器打開百度,搜索 “中國”. 在地址欄看到:
http://www.baidu.com/s?wd=%E4%B8%AD%E5%9B%BD&rsv_bp=0&ch=&tn=baidu&bar=&rsv_spt=3&ie=utf-8&rsv_sug3=16&rsv_sug=0&rsv_sug4=302&rsv_sug1=11&inputT=22928
即我們看到“中國”被浏覽器自動轉換為:%E4%B8%AD%E5%9B%BD。
urlencode和rawurlencode的區別:urlencode將空格編碼為加號“+”,rawurlencode將空格編碼為加號“%20”。
url解碼urldecode 和 rawurldecode
1、在解碼時,可以使用相應的 urldecode() 和 rawurldecode(),相應地,rawurldecode() 不會把加號('+')解碼為空格,而 urldecode() 可以。
2、urldecode() 和 rawurldecode() 解碼出的字符串是 UTF-8格式的編碼,如果URL中含有非UTF-8 編碼的中文,則要把解碼出的字符串進行轉換。
如下,先把php文件設置為gb2312編碼。你會看到一部分是亂碼,一部分是正常的。
$url = '中國';
echo $a = urldecode(urlencode($url)) ,' ';
echo iconv('gb2312', 'utf-8', $a);
�й� 中國