技巧文章：UTF8下的中文PHP编程

前言：

说实话，
凉鞋也觉得 utf8 是好东西……
毕竟同屏显示中日韩对东亚人的吸引力是不小的……
（当然好处不仅是这点啦……）
不仅是网页程式……
很多应用程式的内核都开始使用 unicode 编码……
目的是显而易见的：支援多语言显示……
微软的所有软体都是 unicode 内核……
所以日文软体拿到你的中文 xp 上是可以正常显示的……
而中文 98 就会因为 gb 内核安装其他语言软体时造成乱码……

至于 utf8 ，
可以说是 unicode 的一个分支，
它用三个字节保存一个汉字……
（unicode 用四个字节）
应用软体都集体投奔 unicode 了……
就不允许我们搞网页程式的用 utf8？

本文中凉鞋就尽量多方位介绍一下 utf8 编码下的 php 编程……
至于为什么单独介绍“中文”……
一来是因为英文这玩意实在不需要考虑 utf8 ……
除非你准备做多语言系统……
（我要发些牢骚：现在的老外写程式时根本不重视这个问题……）
二来是中日韩等多字节语系在 utf8 编码下的处理方式其实大同小异……
依葫芦画瓢即可……
好……先从数据库处理部分开始吧……

==========================================
连接数据库

很多人刚升级到 mysql 4.1 时会发现数据乱掉了……
其实是因为 mysql 从 4.1 开始支援字符集了……
而且默认字符集正是 utf8 ……
（充分证明与国际接轨的重要性…… 嘿嘿……）
而以前我们大多使用 utf8 或是 gbk 编码……
这样以来输出的数据当然是乱码……
要解决乱码……
就得让程序知道该获取什么编码的数据……

我们假设你以前的数据库是 utf8 编码的……
那么你可以在查询前添加一句

mysql_query('set character set utf8') or die("query failed : " . mysql_error());
当然，由于 4.1 以上才需要这样处理，
因此我们可以加上判断：

$mysqlversion = $db->query_first("select version() as version");
if ($mysqlversion['version'] >= '4.1')
{
mysql_query('set character set utf8') or die("query failed : " . mysql_error());
}
这样以来不管 mysql 默认编码是什么都可以正常存取了……
（不论您是存活期，还是存定期，甚至是零存整取都没有问题鸟……）

但是，人家都国际化鸟……
您还在用 utf8 行么？
如何转码呢？
还有……
数据升级时出现乱码怎么办？
凉拌！
且听下回分解……

============================================
数据升级至 4.1

要升级……
就得先导出……
要说老外还真不负责……
以前的导出方式总是弄丢一些中文字符……
比如把“我爱你娘”弄成“我爱你”啦……
（通常是丢失一段数据最末尾的字）
整个儿差了一辈儿……
（用石榴姐的话说就是“这么大逆不道的事实在是太刺激了”……）
为了保护您脆弱的心脏……
也为了维护中国传统伦理道义……
您可以把数据包含中文字符的字段改为二进制(binary)编码……
具体方法嘛……
可以运行这个语句：

alter table `表名` convert to character set binary;
这样，那些字符类型字段，如：
char、varchar 和 text
将转换为
binary、varbinary 和 blob
然后再导出并导入到 4.1 环境中……
当然，最后一项繁琐的工作是：
你需要把它们的类型再改回来……

有往 4.1 升级的……
当然也有往下降级的……
怎么降级？？？
凉鞋去上个厕所……
而您请翻下页……

=============================================
数据从 4.1 降级

有人发现从4.1导出的 sql 文件无法导入低版本程序……
问题其实很简单……
而且 mysql 已经为我们想好了一切……
导出时请添加 –compatible 参数……
我们假设您的数据库是 utf8 编码的……
而且目标数据库版本为 4.0 ……
那么命令行下这么写：

shell>mysqldump --user=username --password=password --compatible=mysql40 --default-character-set=utf8 database > db.sql
这样导出的 sql 文件就能够顺利导入低版本数据库了……

数据库部分算是搞定了……
但 php 编程方面要如何注意呢？
还得劳您翻下页……
http://www.knowsky.com
=============================================
php 文件编码

是否所有 php 文件都必须转成 utf8 编码呢？
凉鞋告诉您是 no ……

这么说吧……
如果文件中包含需要显示出来的中文字符……
就应该转为 utf8 编码……
举例子吧：

// 我是凉鞋
echo time();
上面的代码虽有代码……
但是由于存在于注释中……
不会输出……
所以这个页面可以不用转换为 utf8 格式……

再如：

echo "我是凉鞋";
这个明显有中文字符输出……
您还是老老实实转换为 utf8 吧……

当然现在很多程式都采用模板（语言包）技术……
程式（非语言包文件）里是看不到任何供输出的字符的……
这样以来我们只需要将语言包文件转成 utf8 编码即可……
（语言包的优势就在这里啊…… 啊哈哈哈哈哈……）
'http://www.knowsky.com
==================================================

utf8 中文截取

由于 utf8 使用三个字节……
所以传统的 substr 函数就没辙了……
很多高手都写了 utf8 中文字符截取函数……
这里送上几种：

1.先算再取

/**
* author : dummy | zandy
* email : [email protected] | hotmail.com
* create : 200512
* usage : echo join('', string::substring_utf8('汉字', 0, 1));
*/
ini_set('display_errors', 1);
error_reporting(e_all ^ e_notice);
class string {
function substring_utf8($str, $start, $lenth)
{
$len = strlen($str);
$r = array();
$n = 0;
$m = 0;
for($i = 0; $i < $len; $i++) {
$x = substr($str, $i, 1);
$a = base_convert(ord($x), 10, 2);
$a = substr('00000000'.$a, -8);
if ($n < $start){
if (substr($a, 0, 1) == 0) {
}elseif (substr($a, 0, 3) == 110) {
$i += 1;
}elseif (substr($a, 0, 4) == 1110) {
$i += 2;
}
$n++;
}else{
if (substr($a, 0, 1) == 0) {
$r[] = substr($str, $i, 1);
}elseif (substr($a, 0, 3) == 110) {
$r[] = substr($str, $i, 2);
$i += 1;
}elseif (substr($a, 0, 4) == 1110) {
$r[] = substr($str, $i, 3);
$i += 2;
}else{
$r[] = '';
}
if (++$m >= $lenth){
break;
}
}
}
return $r;
} // end substring_utf8
}// end string
echo join('', string::substring_utf8('汉字', 0, 1));
2.先截后取
这种方式凉鞋觉得很巧妙……
用传统截取函数先截断……
然后判断中文单个字符是否被分割开……
如果是……则处理之……
要特别注意的是 substr 函数的第三个参数必须大于 3 ……
至于为什么不用凉鞋解释了吧？

// a trim function to remove the last character of a utf-8 string
// by following instructions on http://en.wikipedia.org/wiki/utf-8
// dotann
// usage: $str = utf8_trim(substr($str,0,50));
function utf8_trim($str) {
$len = strlen($str);
for ($i=strlen($str)-1; $i>=0; $i-=1){
$hex .= ' '.ord($str[$i]);
$ch = ord($str[$i]);
if (($ch & 128)==0) return(substr($str,0,$i));
if (($ch & 192)==192) return(substr($str,0,$i));
}
return($str.$hex);
}
$str = '汉字';
echo utf8_trim(substr($str,0,3));
3.还有其它方法，
比如 007pig 为我们 vbulletin 中文版里所写的函数……
短小精悍……
源码不便放出……
对不住鸟……