本方法是通过生成 GB2312 编码的汉字后,再转码为 UTF-8 编码。之所以这样做是因为 UTF-8 的常用汉字太过分散,随机生成会出现大量生僻字,而使用 GB2312 编码的好处在于其收录的大部分汉字为常用汉字,具体参考下面的介绍。
GB2312-80 字符编码介绍
GB 2312-80 是中国国家标准简体中文字符集,全称《信息交换用汉字编码字符集・基本集》,由中国国家标准总局发布,1981 年 5 月 1 日实施。GB2312 编码通行于中国大陆;新加坡等地也采用此编码。中国大陆几乎所有的中文系统和国际化的软件都支持 GB 2312。
GB2312 标准共收录 6763 个汉字,其中一级汉字 3755 个,二级汉字 3008 个;同时收录了包括拉丁字母、希腊字母、日文平假名及片假名字母、俄语西里尔字母在内的 682 个字符。GB2312 的出现,基本满足了汉字的计算机处理需要,它所收录的汉字已经覆盖中国大陆 99.75% 的使用频率。对于人名、古汉语等方面出现的罕用字,GB2312 不能处理,这导致了后来 GBK 及 GB18030 汉字字符集的出现。
GB2312 中对所收汉字进行了 “分区” 处理,每区含有 94 个汉字 / 符号。这种表示方式也称为区位码。
- 01 - 09 区为特殊符号。
- 16 - 55 区为一级汉字,按拼音排序。
- 56 - 87 区为二级汉字,按部首 / 笔画排序。
10 - 15 区及 88 - 94 区则未有编码。举例来说,“啊” 字是 GB2312 之中的第一个汉字,它的区位码就是 1601。
每个汉字及符号以两个字节来表示。第一个字节称为 “高位字节”,第二个字节称为 “低位字节”。“高位字节” 使用了 0xA1 - 0xF7(把 01 - 87 区的区号加上 0xA0),“低位字节” 使用了 0xA1 - 0xFE(把 01 - 94 位的位号加上 0xA0)。 由于一级汉字从 16 区起始,汉字区的 “高位字节” 的范围是 0xB0 - 0xF7,“低位字节” 的范围是 0xA1 - 0xFE,占用的码位是 72 * 94 = 6768。其中有 5 个空位是 D7FA - D7FE。例如 “啊” 字在大多数程序中,会以两个字节,0xB0(第一个字节)0xA1(第二个字节)储存。(与区位码对比:0xB0 = 0xA0 + 16, 0xA1 = 0xA0 + 1)。
国家标准 GB 18030-2005《信息技术 中文编码字符集》,是中华人民共和国现时最新的内码字集,与 GB 2312-1980 完全兼容,与 GBK 基本兼容,支持 GB 13000 及 Unicode 的全部统一汉字,共收录汉字 70244 个。现行版本为国家质量监督检验总局和中国国家标准化管理委员会于 2005 年 11 月 8 日发布,2006 年 5 月 1 日实施,为在中国境内所有软件产品支持的强制标准。
(以上资料来源于 “维基百科”)
for ($i=0; $i<99; $i++) {
$b= '';
// 使用chr()函数拼接双字节汉字,前一个chr()为高位字节,后一个为低位字节
$a = chr(mt_rand(0xB0,0xD0)).chr(mt_rand(0xA1, 0xF0));
// 转码
$b = iconv('GB2312', 'UTF-8', $a);
echo $b;
}
第一次运行:
许携硼脖忿恫衬鸵案倾溯杰娃等花练乌同辣痉静缝篙哩澳矩籍嗣扁边叹策散请钙枢尝佰娥晾拈洼篡袭撩坪导情酣捎红啃兼桑女删麓维粪囱伍穷侯栋股偏矢湃藐损忍酞胁粹狡富媚泛从臼膛既垫觅懒秆盛沁诡粪订盾刻蒜痴性糠倍嚷
第二次运行:
设何保阑匣嗅狄朽九普附维受娇念取犬末黎畴膘朵是惦图取疚踞氰苦悼效外捅沛午微尽饯庭陪缆健陡秽帝创筒苯灵酿脯熟经狗舅山扭罐段马点蹦笛表盾晶贸悄曹娘董侈贿间黎挖怒疚看蒲郊惟拷挎乃合芳渺社癸淖壤络肥驹虚略翟
第三次运行:
尉蓄酒底肃改袄辑耗领瞬纯誓噶畴婆踩剁零廖割垒剂每惋胸痪姐沃萌剐恳畦燎乓骚席吩梢郡佬甭横瓦反危惮拼醋庇潦颂锋挫蓉歼磐熄蒙唐巨烯臂箍孰夏湘禄衅钠郝烯武态辩佳弦鞘割饰廊瘟采漂捣乘凛纱死腑疆偏书晾痛僧苔辫损