拆字小实验

参考编码规则以及php文档的一个例子，实现了将gbk字符串拆字的小玩具，很简陋没有容错处理等等！ 基本上利用了如下规则： utf-8 和 gbk 中 ascii 单字节部分不变 utf-8 编码中，注意除掉第一个字节以外的其他（对于单字节来说范围就是 0 ～ 0x7f） 多字节来说每一个字节的编码范围 0x80 ~ 0xbf（10xxxxxx ） U-00000000 - U-0000007F: 0xxxxxxx                                    ascii U-00000080 - U-000007FF: 110xxxxx 10xxxxxx                   0xc0~0xdf U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx                      0xe0~0xef U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx      0xf0~0xf7 U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx       0xf8~0xfb U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx    0xfc~0xfd GBK 除ascii编码部分以外采用双字节表示，总体编码范围为 8140-FEFE，首字节在 81-FE 之间，尾字节在 40-FE 之间，剔除 xx7F 一条线。总计 23940 个码位，共收入 21886 个汉字和图形符号，其中汉字（包括部首和构件）21003 个，图形符号 883 个。

#!  /home/lixiaobo/dsp/trunk/spider/php 

<?php

function str_split_php4_utf8($str) {

    // place each character of the string into and array

    $split=1;

    $array = array();

    for ( $i=0; $i < strlen( $str ); ){

    $value = ord($str[$i]);

    if($value > 0x7f){

        if($value >= 0xc0 && $value <= 0xdf)    //  双字节

        $split=2;

        elseif($value >= 0xe0 && $value <= 0xef)    //  三字节

        $split=3;

        elseif($value >= 0xf0 && $value <= 0xf7)    //  四字节

        $split=4;

    }else{  

        $split=1;

    }

    $key = NULL; 

    for ( $j = 0; $j < $split; $j++, $i++ ) {

        $key .= $str[$i];

    }

    array_push( $array, $key ); 

    }

    return $array; 

}



function str_split_php4_gbk($str) {

    // place each character of the string into and array

    $split=1;

    $array = array();

    for ( $i=0; $i < strlen( $str ); ){

    $value = ord($str[$i]);

    if($value > 0x81 && $value < 0xFE){

        $split=2;

    }else{  

        $split=1;

    }

    $key = NULL; 

    for ( $j = 0; $j < $split; $j++, $i++ ) {

        $key .= $str[$i];

    }

    array_push( $array, $key ); 

    }

    return $array; 

}

?>

再贴一段一个牛人写的utf-8 编码识别模块，我给他加了点注释
<?php

function isValidUtf8($string)

{

    $str_len = strlen($string);

    for($i=0;$i<$str_len;)

    {

        $str = ord($string[$i]);

        if($str>=0 && $str < 0¡Á7f)

        {       

            $i++;   

            continue; //  单字节的跳过

        }       

        if($str< 0xc0 || $str>0xfd) return false;   // utf-8 首字节范围 0xc0 ~ 0xfd

        $count = $str>0xfc?5:$str>0xf8?4:$str>0xf0?3:$str>0xe0?2:1; // 已经读了一个字节的基础上，接着往后读字节的个数，参照utf-8 编码规则

        if($i+$count > $str_len) return false; // 已经读过的字节数加上需要跳过的字节数居然大于总长度，走人

        $i++; // 来到第二个字节

        for($m=0;$m<$count;$m++)

        {       
            //  第二个字节以及以后的所有字节范围都是在 0x80 ~ 0xbf
            if(ord($string[$i])<0x80 || ord($string[$i])>0xbf) return false;

            $i++;   

        }       

    }

    return true;

}

?>




原出处见： http://my.donews.com/sawfish/2007/05/01/%E5%AD%97%E7%AC%A6%E9%9B%86%E7%BC%96%E7%A0%81%E7%9A%84%E8%AF%86%E5%88%AB%EF%BC%88%E4%B8%80%EF%BC%89/

自己理解的关于cp936：
以 “中”字为例，其 GBK 编码为 d6d0, 在cp936.txt 中可以找到对应unicode的为：
0x4E2D（UCS-2编码）， 这样就通过cp936实现内码转换,同理cp950实现的是BIG5码到ucs2的内码转换