`
天梯梦
  • 浏览: 13733249 次
  • 性别: Icon_minigender_2
  • 来自: 洛杉矶
社区版块
存档分类
最新评论

PHP 字符串编码处理 (附各语言的字符集编码范围)

阅读更多

PHP中GBK和UTF8编码处理 

 

一、编码范围


1. GBK (GB2312/GB18030)
x00-xff GBK双字节编码范围
x20-x7f ASCII
xa1-xff 中文
x80-xff 中文

2. UTF-8 (Unicode)


u4e00-u9fa5 (中文)
x3130-x318F (韩文)
xAC00-xD7A3 (韩文)
u0800-u4e00 (日文)
ps: 韩文是大于[u9fa5]的字符

正则例子:

 

preg_replace("/([x80-xff])/","",$str);
preg_replace("/([u4e00-u9fa5])/","",$str);
 

二、代码例子

 

//判断内容里有没有中文-GBK (PHP)
function check_is_chinese($s){
return preg_match('/[x80-xff]./', $s);
}


//获取字符串长度-GBK (PHP)
function gb_strlen($str){
$count = 0;
for($i=0; $i<strlen($str); $i++){
$s = substr($str, $i, 1);
if (preg_match("/[x80-xff]/", $s)) ++$i;
++$count;
}
return $count;
}

//截取字符串字串-GBK (PHP)
function gb_substr($str, $len){
$count = 0;
for($i=0; $i<strlen($str); $i++){
if($count == $len) break;
if(preg_match("/[x80-xff]/", substr($str, $i, 1))) ++$i;
++$count;       
}
return substr($str, 0, $i);
}


//统计字符串长度-UTF8 (PHP)
function utf8_strlen($str) {
$count = 0;
for($i = 0; $i < strlen($str); $i++){
$value = ord($str[$i]);
if($value > 127) {
$count++;
if($value >= 192 && $value <= 223) $i++;
elseif($value >= 224 && $value <= 239) $i = $i + 2;
elseif($value >= 240 && $value <= 247) $i = $i + 3;
else die('Not a UTF-8 compatible string');
}
$count++;
}
return $count;
}


//截取字符串-UTF8(PHP)
function utf8_substr($str,$position,$length){
$start_position = strlen($str);
$start_byte = 0;
$end_position = strlen($str);
$count = 0;
for($i = 0; $i < strlen($str); $i++){
if($count >= $position && $start_position > $i){
$start_position = $i;
$start_byte = $count;
}
if(($count-$start_byte)>=$length) {
$end_position = $i;
break;
}   
$value = ord($str[$i]);
if($value > 127){
$count++;
if($value >= 192 && $value <= 223) $i++;
elseif($value >= 224 && $value <= 239) $i = $i + 2;
elseif($value >= 240 && $value <= 247) $i = $i + 3;
else die('Not a UTF-8 compatible string');
}
$count++;
}
return(substr($str,$start_position,$end_position-$start_position));
}


//字符串长度统计-UTF8 [中文3个字节,俄文、韩文占2个字节,字母占1个字节] (Ruby)
def utf8_string_length(str)
temp = CGI::unescape(str)
i = 0;
j = 0;
temp.length.times{|t|
if temp[t] < 127
i += 1
elseif temp[t] >= 127 and temp[t] < 224
j += 1
if 0 == (j % 2)
i += 2
j = 0
end
else
j += 1
if 0 == (j % 3)
i +=2
j = 0
end
end
}
return i
}


//判断是否是含有韩文-UTF-8 (javascript)
function checkKoreaChar(str) {
for(i=0; i<str.length; i++) {
if(((str.charCodeAt(i) > 0x3130 && str.charCodeAt(i) < 0x318F) || (str.charCodeAt(i) >= 0xAC00 && str.charCodeAt(i) <= 0xD7A3))) {
return true;
}
}
return false;
}


//判断是否有中文字符-GBK (javascript)
function check_chinese_char(s){
return (s.length != s.replace(/[^x00-xff]/g,"**").length);
} 
 

 

编码 字符集编码范围
UTF8 [\x01-\x7f]|[\xc0-\xdf][\x80-\xbf]|[\xe0-\xef][\x80-\xbf]{2}|[\xf0-\xff][\x80-\xbf]{3}
UTF16 [\x00-\xd7][\xe0-\xff]|[\xd8-\xdf][\x00-\xff]{2}
Big5 [\x01-\x7f]|[\x81-\xfe]([\x40-\x7e]|[\xa1-\xfe])
GBK [\x01-\x7f]|[\x81-\xfe][\x40-\xfe]
GB2312汉字 [\xb0-\xf7][\xa0-\xfe]
GB2312半角标点符号及特殊符号 \xa1[\xa2-\xfe]
GB2312罗马数组及项目序号 \xa2([\xa1-\xaa]|[\xb1-\xbf]|[\xc0-\xdf]|[\xe0-\xe2]|[\xe5-\xee]|[\xf1-\xfc])
GB2312全角标点及全角字母 \xa3[\xa1-\xfe]
GB2312日文平假名 \xa4[\xa1-\xf3]
GB2312日文片假名 \xa5[\xa1-\xf6]
GB18030 [\x00-\x7f]|[\x81-\xfe][\x40-\xfe]|[\x81-\xfe][\x30-\x39][\x81-\xfe][\x30-\x39]
JIS [\x20-\x7e]|[\x21-\x5f]|[\x21-\x7e]{2}
SJIS [\x20-\x7e]|[\xa1-\xdf]|([\x81-\x9f]|[\xe0-\xef])([\x40-\x7e]|[\x80-\xfc])
SJIS全角空格 (?:\x81\x81)
SJIS全角数字 (?:\x82[\x4f-\x58])
SJIS全角大写英文 (?:\x82[\x60-\x79])
SJIS全角小写英文 (?:\x82[\x81-\x9a])
SJIS全角平假名 (?:\x82[\x9f-\xf1])
SJIS全角平假名扩展 (?:\x82[\x9f-\xf1]|\x81[\x4a\x4b\x54\x55])
SJIS全角片假名 (?:\x83[\x40-\x96])
SJIS全角片假名扩展 (?:\x83[\x40-\x96]|\x81[\x45\x5b\x52\x53])
EUC_JP [\x20-\x7e]|\x81[\xa1-\xdf]|[\xa1-\xfe][\xa1-\xfe]|\x8f[\xa1-\xfe]{2}
EUC_JP标点符号及特殊字符 [\xa1-\xa2][\xa0-\xfe]
EUC_JP全角数字 \xa3[\xb0-\xb9]
EUC_JP全角大写英文 \xa3[\xc1-\xda]
EUC_JP全角小写英文 \xa3[\xe1-\xfa]
EUC_JP全角平假名 \xa4[\xa1-\xf3]
EUC_JP全角片假名 \xa3[\xb0-\xb9]|\xa3[\xc1-\xda]|\xa5[\xa1-\xf6][\xa3][\xb0-\xfa]|[\xa1][\xbc-\xbe]|[\xa1][\xdd]
EUC_JP全角汉字 [\xb0-\xcf][\xa0-\xd3]|[\xd0-\xf4][\xa0-\xfe]|[\xB0-\xF3][\xA1-\xFE]|[\xF4][\xA1-\xA6]|[\xA4][\xA1-\xF3]|[\xA5][\xA1-\xF6]|[\xA1][\xBC-\xBE]
EUC_JP全角空格 (?:\xa1\xa1)
EUC半角片假名 (?:\x8e[\xa6-\xdf])
日文半角空格 \x20

 

 

 

 

public class CnCharsetChecker {
    /* Support for Chinese(GB2312) characters */
    // #define isgb2312head(c) (0xa1<=(uchar)(c) && (uchar)(c)<=0xf7)
    // #define isgb2312tail(c) (0xa1<=(uchar)(c) && (uchar)(c)<=0xfe)
    public static boolean isGB2312(byte head, byte tail) {
        int iHead = head & 0xff;
        int iTail = tail & 0xff;
        return ((iHead>=0xa1 && iHead<=0xf7 &&
                 iTail>=0xa1 && iTail<=0xfe) ? true : false);
    }
    /* Support for Chinese(GBK) characters */
    // #define isgbkhead(c) (0x81<=(uchar)(c) && (uchar)(c)<=0xfe)
    // #define isgbktail(c) ((0x40<=(uchar)(c) && (uchar)(c)<=0x7e)
    //                      || (0x80<=(uchar)(c) && (uchar)(c)<=0xfe))
    public static boolean isGBK(byte head, byte tail) {
        int iHead = head & 0xff;
        int iTail = tail & 0xff;
        return ((iHead>=0x81 && iHead<=0xfe &&
                 (iTail>=0x40 && iTail<=0x7e ||
                  iTail>=0x80 && iTail<=0xfe)) ? true : false);
    }
    /* Support for Chinese(BIG5) characters */
    // #define isbig5head(c) (0xa1<=(uchar)(c) && (uchar)(c)<=0xf9)
    // #define isbig5tail(c) ((0x40<=(uchar)(c) && (uchar)(c)<=0x7e)
    //                       || (0xa1<=(uchar)(c) && (uchar)(c)<=0xfe))
    public static boolean isBIG5(byte head, byte tail) {
        int iHead = head & 0xff;
        int iTail = tail & 0xff;
        return ((iHead>=0xa1 && iHead<=0xf9 &&
                 (iTail>=0x40 && iTail<=0x7e ||
                  iTail>=0xa1 && iTail<=0xfe)) ? true : false);
    }

    public static void main(String[] args) {
        String sGB = "爱";
        String sGBK = "愛";
        String sBIG5 = "稲";
        byte[] sChars = null;
        sChars = sGB.getBytes();
        System.out.println(sGB + " is " +
            CnCharsetChecker.isGB2312(sChars[0],sChars[1]) + " for GB2312;" +
            CnCharsetChecker.isGBK(sChars[0],sChars[1]) + " for GBK," +
            CnCharsetChecker.isBIG5(sChars[0],sChars[1]) + " for BIG5");
        sChars = sGBK.getBytes();
        System.out.println(sGBK + " is " +
            CnCharsetChecker.isGB2312(sChars[0],sChars[1]) + " for GB2312;" +
            CnCharsetChecker.isGBK(sChars[0],sChars[1]) + " for GBK," +
            CnCharsetChecker.isBIG5(sChars[0],sChars[1]) + " for BIG5");
        sChars = sBIG5.getBytes();
        System.out.println(sBIG5 + " is " +
            CnCharsetChecker.isGB2312(sChars[0],sChars[1]) + " for GB2312;" +
            CnCharsetChecker.isGBK(sChars[0],sChars[1]) + " for GBK," +
            CnCharsetChecker.isBIG5(sChars[0],sChars[1]) + " for BIG5");
    }
}
 

 

 

 

分享到:
评论

相关推荐

    字符串处理类:将GBK,UTF8字符串转化为Unicode编码的php类库.zip

    在PHP编程中,字符串处理是常见的任务之一,尤其是在处理不同编码格式的数据时。这个压缩包提供的类库专门用于处理GBK和UTF8编码的...正确理解和使用这个类库,能提高你的代码在处理字符串编码问题上的效率和准确性。

    以utf8格式截取的字符串编码

    在IT领域,字符串编码是处理文本数据时至关重要的一个环节。UTF-8是一种广泛使用的Unicode字符编码方案,它能够表示几乎所有的世界语言字符。在这个场景中,"以utf8格式截取的字符串编码"指的是在处理UTF-8编码的...

    PHP 计算字符串长度

    在PHP编程语言中,计算字符串长度是一个常见的任务,特别是在处理用户输入、文本处理或数据分析时。`str.php`文件很可能包含一个实现此功能的简单示例。PHP提供了内置的`strlen()`函数,用于获取字符串的长度,即...

    PHP检查字符串是否是UTF8编码

    PHP检查字符串是否是UTF8编码(字符集)

    仿淘宝,拍拍等查询关键词字符串编码算法实现(PHP版)

    在IT行业中,字符串编码算法是数据处理和网络通信中的重要环节,特别是在电商平台的搜索系统中。淘宝、拍拍等大型电商网站为了提供高效、精准的搜索服务,会采用特定的编码算法来处理用户输入的查询关键词,以提高...

    php字符串函数分类

    ### PHP字符串函数分类详解 #### 一、统计(Statistics) 在处理字符串时,我们经常会遇到需要统计字符串长度的情况。PHP提供了多种方法来实现这一功能。 ##### `strlen` **功能描述:** 获取字符串长度(默认为...

    php通用截取字符串.zip

    在PHP编程语言中,字符串处理是一项非常常见的任务。"php通用截取字符串"这个主题主要涉及如何在PHP中对字符串进行截取,以便获取我们感兴趣的特定部分。这通常用于显示预览、处理用户输入或者从长文本中提取关键...

    DB2 GBK 字符集解决方案.zip

    在处理中文字符时,字符集的选择至关重要,GBK字符集就是针对中文环境设计的一种多字节编码标准。本实践案例主要探讨如何在DB2环境中解决与GBK字符集相关的问题。 GBK字符集是中国大陆地区广泛使用的汉字编码标准,...

    解析php获取字符串的编码格式的方法(函数)

    本文将深入解析PHP获取字符串编码格式的方法,帮助开发者更好地理解和使用相关函数。 首先,PHP中用于检测字符串编码的常用函数是`mb_detect_encoding()`。这个函数可以检测一个字符串的字符编码,并返回其可能的...

    php截取字符串

    在IT行业中,PHP是一种广泛使用的服务器端脚本语言,尤其在网页开发中占据了重要的地位。...通过学习和研究这些自定义工具,你可以加深对PHP字符串处理机制的理解,并可能为自己的项目开发出更加高效和灵活的解决方案。

    PHP 笔记001 - 字符串、正则表达式

    字符串处理包括对字符串的各种操作,如转义、编码转换、替换等。正则表达式则是一种强大的文本匹配工具,它允许我们在字符串中搜索、匹配和提取特定的文本模式。 ### 字符串处理 PHP提供了丰富的字符串处理函数,...

    浅析PHP中的字符串编码转换(自动识别原编码)

    在PHP编程中,字符串编码转换是一项重要的任务,尤其是在处理多国语言或者从不同源获取数据时。本篇文章将深入探讨如何在PHP中进行字符串编码转换,并特别关注如何自动识别源编码。我们将分析提供的`array_iconv`...

    字符串按照指定的字节数来截取

    但是,Java的字符串是Unicode的,`getBytes()`会根据指定的字符集编码字符串为字节数组。例如: ```java String str = "你好,世界"; int byteCount = 5; // 指定字节数 byte[] bytes = str.getBytes("UTF-8"); // ...

    php 截取字符串

    `substr()` 是PHP中用于截取字符串的基本函数,而`mb_substr()` 则是多字节安全的版本,适用于处理包含多种字符集(如UTF-8)的字符串。 1. **substr() 函数** `substr(string $str, int $start, ?int $length = ...

    PHP中的字符串函数

    在PHP编程语言中,字符串函数是处理文本数据的关键工具,它们提供了丰富的功能来操作和分析字符串。以下是对标题“PHP中的字符串函数”及其描述中提到的一些重要知识点的详细解析: ### 1. 字符串转义与解码 - **...

    PHP统计字符串长度

    在PHP编程语言中,处理字符串是一项常见的任务,其中包括计算字符串的长度。`PHP统计字符串长度`这个主题主要涉及如何在PHP中准确地获取一个字符串中包含的字符数量,无论是汉字还是字母,都被视为一个字符。这里...

    基于PHP中自带的字符串操作函数合集

    在实际应用中,根据不同的需求选择合适的字符串处理函数,可以有效地帮助开发人员提高编码效率,保证程序的稳定性和安全性。例如,对于用户输入的数据处理,常常需要用到strip_tags()来去除可能存在的恶意代码,使用...

    PHP mb_convert_encoding 获取字符串编码类型实现代码

    然而,在处理中文字符集之一的GBK编码时,开发者会发现一些汉字在转换后变成了乱码。这是因为在编码转换过程中,某些字符可能没有准确地映射到目标编码,或者是源编码和目标编码之间存在兼容性问题。GBK和UTF-8是两...

    Patchwork UTF-8:处理UTF-8格式字符串的便携类库

    在处理多语言和国际化(i18n)应用时,UTF-8已经成为广泛使用的字符编码标准,因为它能容纳几乎世界上所有的字符集,包括拉丁文、希腊文、汉字以及各种特殊符号。然而,尽管PHP本身对UTF-8有一定的支持,但在某些...

Global site tag (gtag.js) - Google Analytics