PHP字符串的编码问题(转)

大家都知道，不同字符编码，其在内存占用的字节数不一样。如ASCII编码字符占用1个字节,UTF-8编码的中文字符是3字节,GBK为2个字节。

 

PHP 也自带几种字符串截取函数，其中常用到的就是 substr 和 mb_substr。

使用substr截取中文字符时会出现乱码，这是因为substr是按字节来截取的。即UTF-8编码的中文，使用substr截取，只会截取1/3个中文，当然出现乱码了。

mb_substr ( string $str , int $start [, int $length [, string $encoding ]] )  中的参数$encoding可以指定编码，如果省略，则使用内部字符编码。

如果不清楚字符串的编码格式的话，可以用mb_detect_encoding检查：

$encoding  = mb_detect_encoding($string, array("ASCII",'UTF-8′,"GB2312′,"GBK",'BIG5′));

然后：

mb_substr ( string $str , int $start [, int $length [, string $encoding ]] )

如果自己实现mb_substr,效率并不是很好。

编码相关的php函数使用

ord(substr($str, $i, 1)) > 0xa0)

ord($string)返回字符串第一个字符的ASC码，通过这个来判断截取的字符串第一个字符是不是汉字，因为例如gb2312编码的一个文字是2字节，utf8为三个字节。即   编码大于256的就是汉字。

正则字符：

匹配汉字 :   preg_match_all('/[\x80-\xff]?./', $string, $match);

匹配英文: preg_match_all("/[/x01-/x7f]+/", $string, $match);

编码转换

iconv ( string $in_charset , string $out_charset , string $str )

 如GB2312  转UTF-8:  iconv("GB2312","UTF-8",$text)

 

url 编码urlencode

 

编码后返回的字符串中除了 -_. 之外的所有非字母数字字符都将被替换成百分号（%）后跟两位十六进制数，空格则编码为加号（+）。此编码与 WWW 表单 POST 数据的编码方式是一样的，同时与 application/x-www-form-urlencoded 的媒体类型编码方式一样。

 

不过应该注意的是，在编码时应该只对部分URL编码，否则URL中的冒号和反斜杠也会被转义。

 

URLEncode的方式一般有两种，一种是传统的基于GB2312的Encode，另一种是基于UTF-8的Encode。 如：

1. $url = '中国';
2. echo urlencode($url );
3. //UTF-8: %E4%B8%AD%E5%9B%BD
4. //GB2312:%D6%D0%B9%FA

例如我们使用浏览器打开百度，搜索 “中国”.    在地址栏看到:

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

 

即我们看到“中国”被浏览器自动转换为：%E4%B8%AD%E5%9B%BD。

 

 

urlencode和rawurlencode的区别：urlencode将空格编码为加号“+”，rawurlencode将空格编码为加号“%20”。 

 

url解码urldecode 和 rawurldecode

1、在解码时，可以使用相应的 urldecode() 和 rawurldecode()，相应地，rawurldecode() 不会把加号（'+'）解码为空格，而 urldecode() 可以。

2、urldecode() 和 rawurldecode() 解码出的字符串是 UTF-8格式的编码，如果URL中含有非UTF-8 编码的中文，则要把解码出的字符串进行转换。

如下，先把php文件设置为gb2312编码。你会看到一部分是乱码，一部分是正常的。

$url = '中国';
echo $a = urldecode(urlencode($url)) ,' ';
echo iconv('gb2312', 'utf-8', $a);

�й� 中国