如何在下载文件名中使用UTF-8编码

通过把Content-Type设置为application/octet-stream，可以把动态生成的内容当作文件来下载，相信这个大家都会。那么用Content-Disposition设置下载的文件名，这个也有不少人知道吧。基本上，下载程序都是这么写的：

<?php
$filename = "document.txt";
header('Content-Type: application/octet-stream');
header('Content-Disposition: attachment; filename=' . $filename);

print "Hello!";
?>

这样用浏览器打开之后，就可以下载document.doc。

但是，如果$filename是UTF-8编码的，有些浏览器就无法正常处理了。比如把上面那个程序稍稍改一下：

<?php
$filename = "中文 文件名.txt";
header('Content-Type: application/octet-stream');
header('Content-Disposition: attachment; filename=' . $filename);

print "Hello!";
?>

把程序保存成UTF-8编码再访问，IE6下载的文件名就会乱码。 FF3下下载的文件名就只有“中文”两个字。Opera 9下一切正常。

 

输出的header实际上是这样子：

Content-Disposition: attachment; filename=中文 文件名.txt

其实按照RFC2231的定义，多语言编码的Content-Disposition应该这么定义：

Content-Disposition: attachment; filename*="utf8''%E4%B8%AD%E6%96%87%20%E6%96%87%E4%BB%B6%E5%90%8D.txt"

即：

• filename后面的等号之前要加 *
• filename的值用单引号分成三段，分别是字符集(utf8)、语言(空)和urlencode过的文件名。
• 最好加上双引号，否则文件名中空格后面的部分在Firefox中显示不出来
• 注意urlencode的结果与php的urlencode函数结果不太相同，php的urlencode会把空格替换成+，而这里需要替换成%20

经过试验，发现几种主流浏览器的支持情况如下：

IE6	attachment; filename="<URL编码之后的UTF-8文件名>"
FF3	attachment; filename="UTF-8文件名"
	attachment; filename*="utf8''<URL编码之后的UTF-8文件名>"
O9	attachment; filename="UTF-8文件名"
Safari3(Win)	貌似不支持？上述方法都不行

这样看来，程序必须得这样写才能支持所有主流浏览器：

<?php

$ua = $_SERVER["HTTP_USER_AGENT"];

$filename = "中文 文件名.txt";
$encoded_filename = urlencode($filename);
$encoded_filename = str_replace("+", "%20", $encoded_filename);

header('Content-Type: application/octet-stream');

if (preg_match("/MSIE/", $ua)) {
	header('Content-Disposition: attachment; filename="' . $encoded_filename . '"');
} else if (preg_match("/Firefox/", $ua)) {
	header('Content-Disposition: attachment; filename*="utf8/'/'' . $filename . '"');
} else {
	header('Content-Disposition: attachment; filename="' . $filename . '"');
}

print 'ABC';
?>

==============华丽的分割线=============================

在做一个导出CSV文件的功能时发现导出的文件是乱码，上网查了下，发现原来是BOM(Byte Order Mark)的问题 

  BOM是UTF编码方案里用于标识编码的标准标记，在UTF-16里是FF FE，UTF-8里是EF BB BF。这个标记是可选的，因为UTF-8没有顺序，所以它可以被用来检测一个字节流是否是UTF-8编码的。微软做这种检测，但有些软件不做这种检测，而把它当做正常字符处理。 

  微软在自己的UTF-8格式的文本文件之前加上了EF BB BF三个字节, windows上面的notepad等程序就是根据这三个字节来确定一个文本文件是ASCII的还是UTF-8的, 然而这个只是微软暗自作的标记, 其它平台上并没有对UTF-8文本文件做个这样的标记，类Unix系统中就没有使用 BOM，因为它会破坏现有的 ASCII 文件的语法约定。

  也就是说一个UTF-8文件可能有BOM，也可能没有BOM，那么怎么区分呢？三种方法。1，用UltraEdit-32打开文件，切换到十六进制编辑模式，察看文件头部是否有EF BB BF。2，用Dreamweaver打开，察看页面属性，看“包括Unicode签名BOM”前面是否有个勾。3，用Windows的记事本打开，选择 “另存为”，看文件的默认编码是UTF-8还是ANSI，如果是ANSI则不带BOM。 

  所谓的unicode保存的文件实际上是utf-16，只不过恰好跟unicode的码相同而已,但在概念上unicode与 utf是两回事，unicode是内存编码表示方案，而utf是如何保存和传输unicode的方案。utf-16还分高位在前 (LE)和高位在后(BE)两种。官方的utf编码还有utf-32，也分LE和BE。非unicode官方的utf编码还有utf-7，主要用于邮件传输。utf-8的单字节部分是和iso-8859-1兼容的，这主要是为了解决一些旧的系统和库函数不能正确处理utf-16的问题，而且对英语字符来说，也节省保存的文件空间（以非英语字符浪费空间为代价）。在iso-8859-1的时候，utf8和iso-8859-1都是用一个字节表示的，当表示其它字符的时候，utf-8会使用两个或三个字节。 

  明白了原因之后，我在Struts2的Action里用流生成CSV文件的时候，在一开始就加上这样一句 
 
<?php
 
/* 生成文件 */
header ('Content-type: application/CSV');
header ('Expires: 0');
header ('Pragma: no-cache'); 
header ('Content-Disposition: attachment; filename='.$file_name);
header ('Content-Length: '.$file_size);
echo pack('C', 0xEF);
echo pack('C', 0xBB);
echo pack('C', 0xBF);
echo $data;