程式師世界 >> 編程語言 >> 網頁編程 >> PHP編程 >> PHP綜合 >> 詳談PHP編碼轉換問題

詳談PHP編碼轉換問題

編輯：PHP綜合

最近恰好要用到unicode編碼的轉換，就去查了一下php的庫函數，居然沒找到一個函數可以對字符串進行Unicode的編碼和解碼！也罷，找不到的話就自己實現一下了。。。

Unicode和Utf-8編碼的區別

Unicode是一個字符集，而UTF-8是Unicode的其中一種，Unicode是定長的都為雙字節，而UTF-8是可變的，對於漢字來說Unicode占有的字節比UTF-8占用的字節少1個字節。Unicode為雙字節，而UTF-8中漢字占三個字節。

UTF-8編碼字符理論上可以最多到6個字節長,然而16位BMP（Basic Multilingual Plane）字符最多只用到3字節長。下面看一下

UTF-8編碼表：

U-00000000 - U-0000007F: 0xxxxxxx 
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx 
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx 
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

xxx 的位置由字符編碼數的二進制表示的位填入，越靠右的 x 具有越少的特殊意義，只用最短的那個足夠表達一個字符編碼數的多字節串。注意在多字節串中, 第一個字節的開頭"1"的數目就是整個串中字節的數目。而第一行中以0開頭，是為了兼容ASCII編碼，為一個字節，第二行就為雙字節字符串，第三行為3字節，如漢字就屬於這種，以此類推。(個人認為：其實我們可以簡單的把前面的1的個數看成字節數)

Unicode怎麼轉換成Utf-8呢

為了要將Unicode轉換為UTF-8，當然要知道他們的區別到底在什麼地方。下面來看一下，在Unicode中的編碼是怎樣轉換成UTF-8的，在UTF-8中，如果一個字符的字節小於0x80（128）則為ASCII字符，占一個字節，可以不用轉換，因為UTF-8兼容ASCII編碼。假如在Unicode中漢字“你”的編碼為“u4F60”，把它轉換為二進制為100111101100000，然後按照UTF-8的方法進行轉換。可以將Unicode二進制從低位往高位取出二進制數字，每次取6位，如上述的二進制就可以分別取出為如下所示的格式，前面按格式填補，不足8位用0填補。

復制代碼代碼如下:unicode: 100111101100000 4F60

utf-8: 11100100,10111101,10100000 E4BDA0

從上面就可以很直觀的看出Unicode到UTF-8之間的轉換，當然知道了UTF-8的格式後，就可以進行逆運算，就是按照格式把它在二進制中的相應位置上取出，然後在轉換就是所得到的Unicode字符了（這個運算可以通過“位移”來完成）。如上述的“你”的轉換，由於其值大於0x800小於0x10000，因此可以判斷為三字節存儲，則最高位需要向右移“12”位再根據三字節格式的最高位為11100000（0xE0）求或（|）就可以得到最高位的值了。同理第二位則是右移“6”位，則還剩下最高位和第二位的二進制值，可以通過與111111（0x3F）求按位於（&）操作，再和11000000（0x80）求或（|）。第三位就不用移位了，只要直接取最後六位（與111111（ox3F）取&），在與11000000(0x80)求或（|）。

Utf-8怎麼逆轉回Unicode呢

當然在UTF-8到Unicode的轉換也是通過移位等來完成的，就是把UTF-8那些格式相應的位置的二進制數給揪出來。在上述例子中“你”為三個字節，因此要每個字節進行處理，有高位到低位進行處理。在UTF-8中“你”為11100100,10111101,10100000。從高位起即第一個字節11100100就是把其中的"0100"給取出來，這個很簡單只要和11111（0x1F）取與（&），由三字節可以得知最到位肯定位於12位之前，因為每次取六位。所以還要將得到的結果左移12位，最高位也就這樣完成了0100,000000,000000。而第二位則是要把“111101”給取出來，則只需將第二字節10111101和111111(0x3F)取與（&）。在將所得到的結果左移6位與最高字節所得的結果取或（|），第二位就這樣完成了，得到的結果為0100,111101,000000。以此類推最後一位直接與111111（0x3F）取與（&），再與前面所得的結果取或（|）即可得到結果0100,111101,100000。

PHP代碼實現

/**
 * utf8字符轉換成Unicode字符
 * @param [type] $utf8_str Utf-8字符
 * @return [type]      Unicode字符
 */
function utf8_str_to_unicode($utf8_str) {
  $unicode = 0;
  $unicode = (ord($utf8_str[0]) & 0x1F) << 12;
  $unicode |= (ord($utf8_str[1]) & 0x3F) << 6;
  $unicode |= (ord($utf8_str[2]) & 0x3F);
  return dechex($unicode);
}

/**
 * Unicode字符轉換成utf8字符
 * @param [type] $unicode_str Unicode字符
 * @return [type]       Utf-8字符
 */
function unicode_to_utf8($unicode_str) {
  $utf8_str = '';
  $code = intval(hexdec($unicode_str));
  //這裡注意轉換出來的code一定得是整形，這樣才會正確的按位操作
  $ord_1 = decbin(0xe0 | ($code >> 12));
  $ord_2 = decbin(0x80 | (($code >> 6) & 0x3f));
  $ord_3 = decbin(0x80 | ($code & 0x3f));
  $utf8_str = chr(bindec($ord_1)) . chr(bindec($ord_2)) . chr(bindec($ord_3));
  return $utf8_str;
}

測試一下了

$utf8_str = '我';

//這是漢字“你”的Unicode編碼
$unicode_str = '4f6b';

//輸出 6211
echo utf8_str_to_unicode($utf8_str) . "<br/>";

//輸出漢字“你”
echo unicode_str_to_utf8($unicode_str);

以上這些轉換是針對中文漢字【往大了說是非ASCII】的測試，因為如果是ASCII的話，轉來轉去都是一樣的，也用不著費那麼大工夫。

還有就是這兩個函數只是簡單的實現了一下，只支持單個字符【一個完整的utf8字符或是一個完整的Unicode字符】互相轉換，大家如果明白了得話就可以盡情去擴展了。。。

以上所述就是本文的全部內容了，希望大家能夠喜歡。