php编码与字符串处理

 

在php中，如果编码处理的不好的话，经常会出现乱码，最常见的是字符串截取，

字符串截取一般都是用substr这一个函数，可是这一个函数在截取中文字符串的时候， 

往往是不尽人意的，其根本原因还是在字符串编码的问题上，对编码没有一个清楚的理解。

<?php @header('Content-Type:text/html;charset=utf-8'); $string = "我是一个php程序员"; echo $string."<br/>"; $tmp_str = substr($string,4); echo $tmp_str; ?> 

以上代码执行结果

 

什么是字符编码？

所谓的字符编码就是字符在计算机中的二进制表现形式.

常见的编码有ansic,unicode,gbk,gb2312这些编码.

 

 

unicode,gbk,gb2312,utf8之间的关系

unicode指的是一种编码方式，而utf8是unicode编码的一种实现或者表现方式,这是unicode与utf8之间最大的区别。

在Unicode中：汉字“字”对应的数字是23383

例如，“汉字”对应的数字是0x6c49和0x5b57,也就是其unicode编码

但是在utf的实现或者表现方式是

BYTE data_utf8[] = {0xE6, 0xB1, 0x89, 0xE5, 0xAD, 0x97}; // UTF-8编码

WORD data_utf16[] = {0x6c49, 0x5b57}; // UTF-16编码

DWORD data_utf32[] = {0x6c49, 0x5b57}; // UTF-32编码

同样是一个unicode编码，可以用不同的表现方式，其实UTF的全称是UCS Transformation Format,可以译成Unicode字符集转换格式

unicode,gbk,gb2312都是一种编码的值，并不是一种编码的表现方式.

各种 编码的特点

(1)utf-8

　　UTF-8以字节为单位对Unicode进行编码。从Unicode到UTF-8的编码方式如下：

　　Unicode编码(16进制)　║　UTF-8 字节流(二进制)

　　000000 - 00007F　    ║　0xxxxxxx

　　000080 - 0007FF　    ║　110xxxxx 10xxxxxx

　　000800 - 00FFFF　    ║　1110xxxx 10xxxxxx 10xxxxxx

　　010000 - 10FFFF　    ║　11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

UTF-8的特点是对不同范围的字符使用不同长度的编码。对于0x00-0x7F之间的字符，UTF-8编码与ASCII编码完全相同。

UTF-8编码的最大长度是4个字节。

　　例1：“汉”字的Unicode编码是0x6C49。0x6C49在0x0800-0xFFFF之间，使用用3字节模板了：1110xxxx 10xxxxxx 10xxxxxx。将0x6C49写成二进制是：0110 1100 0100 1001， 用这个比特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。

　　例2：Unicode编码0x20C30在0x010000-0x10FFFF之间，使用用4字节模板了：11110xxx 10xxxxxx 10xxxxxx 10xxxxxx。将0x20C30写成21位二进制数字（不足21位就在前面补0）：0 0010 0000 1100 0011 0000，用这个比特流依次代替模板中的x，得到：11110000 10100000 10110000 10110000，即F0 A0 B0 B0。

从上面可以看出，中文字符要用二字节来表示，所以编码要大于110xxxxx 10xxxxxx,也就是第一个字节要大于192

(2)gbk编码特点

字符有一字节和双字节编码，00–7F范围内是一位，和ASCII保持一致，此范围内严格上说有96个文字和32个控制符号。

之后的双字节中，前一字节是双字节的第一位。总体上说第一字节的范围是81–FE（也就是不含80和FF），第二字节的一部分领域在40–FE，其他领域在80–FE。

具体来说，定义的是下列字节:

GBK的编码范围

范围 第1字节 第2字节 编码数 字数

水准 GBK/1 A1–A9 A1–FE 846 717

水准 GBK/2 B0–F7 A1–FE 6,768 6,763

水准 GBK/3 81–A0 40–FE (7F除外) 6,080 6,080

水准 GBK/4 AA–FE 40–A0 (7F除外) 8,160 8,160

水准 GBK/5 A8–A9 40–A0 (7F除外) 192 166

用户定义 AA–AF A1–FE 564

用户定义 F8–FE A1–FE 658

用户定义 A1–A7 40–A0 (7F除外) 672

合计: 23,940 21,886

 

有一个字符串，里面有中文，英文，全角，半角，

$str = "Hello,World,你好，php！";  

现在要把里面的中文全部去掉，只有中文，并且是全角的字符.

 

$str = '你好，php'; $len = strlen($str); echo 'Len:'.$len."<br/>"; $i = 0; $clean_str =''; while($i < $len) { $ansic = ord($str[$i]); if($ansic >=224) { $tmp_char = $str[$i].$str[$i+1].$str[$i+2]; $clean_str .= $tmp_char; $i = $i +3; } elseif($ansic >= 192) { $tmp_char = $str[$i].$str[$i+1]; $clean_str .= $tmp_char; $i = $i +2; } else { $i++; } } echo $clean_str;  

输出结果