PHP字串的編碼問題

     大家都知道，不同字元編碼，其在記憶體佔用的位元組數不一樣。如ASCII編碼字元佔用1個位元組,UTF-8編碼的中文字元是3位元組,GBK為2個位元組。 

    PHP 也內建幾種字串截取函數，其中常用到的就是 substr 和 mb_substr。

    使用substr截取中文字元時會出現亂碼，這是因為substr是按位元組來截取的。即UTF-8編碼的中文，使用substr截取，只會截取1/3個中文，當然出現亂碼了。

    mb_substr (
string $str ,
int $start [,
int $length [,
string $encoding ]] )  中的參數$encoding可以指定編碼，如果省略，則使用內部字元編碼。

  

     如果不清楚字串的編碼格式的話，可以用mb_detect_encoding檢查：

    $encoding  = mb_detect_encoding($string, array("ASCII",'UTF-8′,"GB2312′,"GBK",'BIG5′)); 

     然後：

     mb_substr (
string $str ,
int $start [,
int $length [,
string $encoding ]] )

    如果自己實現mb_substr,效率並不是很好。

 

編碼相關的php函數使用

ord(substr($str, $i, 1)) > 0xa0)

ord($string)返回字串第一個字元的ASC碼，通過這個來判斷截取的字串第一個字元是不是漢字，因為例如gb2312編碼的一個文字是2位元組，utf8為三個位元組。即   編碼大於256的就是漢字。

正則字元：

匹配漢字 :   preg_match_all('/[\x80-\xff]?./', $string, $match);  

匹配英文: preg_match_all("/[/x01-/x7f]+/", $string, $match);  

編碼轉換

iconv ( string $in_charset , string $out_charset , string $str )

 如GB2312  轉UTF-8:  iconv("GB2312","UTF-8",$text) url 編碼urlencode編碼後返回的字串中除了  -_. 之外的所有非字母數字字元都將被替換成百分比符號（ %）後跟兩位十六進位數，空格則編碼為加號（ +）。此編碼與
WWW 表單 POST 資料的編碼方式是一樣的，同時與  application/x-www-form-urlencoded 的媒體類型編碼方式一樣。
不過應該注意的是，在編碼時應該只對部分URL編碼，否則URL中的冒號和反斜線也會被轉義。

URLEncode的方式一般有兩種，一種是傳統的基於GB2312的Encode，另一種是基於UTF-8的Encode。 如：

$url = '中國';echo urlencode($url );//UTF-8: %E4%B8%AD%E5%9B%BD//GB2312:%D6%D0%B9%FA  

例如我們使用瀏覽器開啟百度，搜尋 “中國”.    在地址欄看到:http://www.baidu.com/s?wd=%E4%B8%AD%E5%9B%BD&rsv_bp=0&ch=&tn=baidu&bar=&rsv_spt=3&ie=utf-8&rsv_sug3=16&rsv_sug=0&rsv_sug4=302&rsv_sug1=11&inputT=22928即我們看到“中國”被瀏覽器自動轉換為：%E4%B8%AD%E5%9B%BD。
urlencode和rawurlencode的區別：urlencode將空格編碼為加號“+”，rawurlencode將空格編碼為加號“%20”。 

url解碼urldecode 和 rawurldecode1、在解碼時，可以使用相應的
urldecode() 和 rawurldecode()，相應地，rawurldecode() 不會把加號（'+'）解碼為空白格，而 urldecode() 可以。2、urldecode() 和 rawurldecode() 解碼出的字串是 UTF-8格式的編碼，如果URL中含有非UTF-8 編碼的中文，則要把解碼出的字串進行轉換。如下，先把php檔案設定為gb2312編碼。你會看到一部分是亂碼，一部分是正常的。$url = '中國';
echo $a = urldecode(urlencode($url)) ,' ';
echo iconv('gb2312', 'utf-8', $a);
�й� 中國