最近恰好要用到unicode編碼的轉(zhuǎn)換，就去查了一下php的庫(kù)函數(shù)，居然沒(méi)找到一個(gè)函數(shù)可以對(duì)字符串進(jìn)行Unicode的編碼和解碼！也罷，找不到的話就自己實(shí)現(xiàn)一下了。。。

Unicode和Utf-8編碼的區(qū)別

Unicode是一個(gè)字符集，而UTF-8是Unicode的其中一種，Unicode是定長(zhǎng)的都為雙字節(jié)，而UTF-8是可變的，對(duì)于漢字來(lái)說(shuō)Unicode占有的字節(jié)比UTF-8占用的字節(jié)少1個(gè)字節(jié)。Unicode為雙字節(jié)，而UTF-8中漢字占三個(gè)字節(jié)。

UTF-8編碼字符理論上可以最多到6個(gè)字節(jié)長(zhǎng),然而16位BMP（Basic Multilingual Plane）字符最多只用到3字節(jié)長(zhǎng)。下面看一下

UTF-8編碼表：

U-00000000 - U-0000007F: 0xxxxxxx 
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx 
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx 
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 

xxx 的位置由字符編碼數(shù)的二進(jìn)制表示的位填入， 越靠右的 x 具有越少的特殊意義，只用最短的那個(gè)足夠表達(dá)一個(gè)字符編碼數(shù)的多字節(jié)串。 注意在多字節(jié)串中, 第一個(gè)字節(jié)的開(kāi)頭"1"的數(shù)目就是整個(gè)串中字節(jié)的數(shù)目。而第一行中以0開(kāi)頭，是為了兼容ASCII編碼，為一個(gè)字節(jié)，第二行就為雙字節(jié)字符串，第三行為3字節(jié)，如漢字就屬于這種，以此類(lèi)推。(個(gè)人認(rèn)為：其實(shí)我們可以簡(jiǎn)單的把前面的1的個(gè)數(shù)看成字節(jié)數(shù))

Unicode怎么轉(zhuǎn)換成Utf-8呢

為了要將Unicode轉(zhuǎn)換為UTF-8，當(dāng)然要知道他們的區(qū)別到底在什么地方。下面來(lái)看一下，在Unicode中的編碼是怎樣轉(zhuǎn)換成UTF-8的，在UTF-8中，如果一個(gè)字符的字節(jié)小于0x80（128）則為ASCII字符，占一個(gè)字節(jié)，可以不用轉(zhuǎn)換，因?yàn)閁TF-8兼容ASCII編碼。假如在Unicode中漢字“你”的編碼為“u4F60”，把它轉(zhuǎn)換為二進(jìn)制為100111101100000，然后按照UTF-8的方法進(jìn)行轉(zhuǎn)換?？梢詫nicode二進(jìn)制從低位往高位取出二進(jìn)制數(shù)字，每次取6位，如上述的二進(jìn)制就可以分別取出為如下所示的格式，前面按格式填補(bǔ)，不足8位用0填補(bǔ)。

從上面就可以很直觀的看出Unicode到UTF-8之間的轉(zhuǎn)換，當(dāng)然知道了UTF-8的格式后，就可以進(jìn)行逆運(yùn)算，就是按照格式把它在二進(jìn)制中的相應(yīng)位置上取出，然后在轉(zhuǎn)換就是所得到的Unicode字符了（這個(gè)運(yùn)算可以通過(guò)“位移”來(lái)完成）。如上述的“你”的轉(zhuǎn)換，由于其值大于0x800小于0x10000，因此可以判斷為三字節(jié)存儲(chǔ)，則最高位需要向右移“12”位再根據(jù)三字節(jié)格式的最高位為11100000（0xE0）求或（|）就可以得到最高位的值了。同理第二位則是右移“6”位，則還剩下最高位和第二位的二進(jìn)制值，可以通過(guò)與111111（0x3F）求按位于（&）操作，再和11000000（0x80）求或（|）。第三位就不用移位了，只要直接取最后六位（與111111（ox3F）取&），在與11000000(0x80)求或（|）。

Utf-8怎么逆轉(zhuǎn)回Unicode呢

當(dāng)然在UTF-8到Unicode的轉(zhuǎn)換也是通過(guò)移位等來(lái)完成的，就是把UTF-8那些格式相應(yīng)的位置的二進(jìn)制數(shù)給揪出來(lái)。在上述例子中“你”為三個(gè)字節(jié)，因此要每個(gè)字節(jié)進(jìn)行處理，有高位到低位進(jìn)行處理。在UTF-8中“你”為11100100,10111101,10100000。從高位起即第一個(gè)字節(jié)11100100就是把其中的"0100"給取出來(lái)，這個(gè)很簡(jiǎn)單只要和11111（0x1F）取與（&），由三字節(jié)可以得知最到位肯定位于12位之前，因?yàn)槊看稳×?。所以還要將得到的結(jié)果左移12位，最高位也就這樣完成了0100,000000,000000。而第二位則是要把“111101”給取出來(lái)，則只需將第二字節(jié)10111101和111111(0x3F)取與（&）。在將所得到的結(jié)果左移6位與最高字節(jié)所得的結(jié)果取或（|），第二位就這樣完成了，得到的結(jié)果為0100,111101,000000。以此類(lèi)推最后一位直接與111111（0x3F）取與（&），再與前面所得的結(jié)果取或（|）即可得到結(jié)果0100,111101,100000。

PHP代碼實(shí)現(xiàn)

/**
 * utf8字符轉(zhuǎn)換成Unicode字符
 * @param [type] $utf8_str Utf-8字符
 * @return [type]      Unicode字符
 */
function utf8_str_to_unicode($utf8_str) {
  $unicode = 0;
  $unicode = (ord($utf8_str[0]) & 0x1F) << 12;
  $unicode |= (ord($utf8_str[1]) & 0x3F) << 6;
  $unicode |= (ord($utf8_str[2]) & 0x3F);
  return dechex($unicode);
}

/**
 * Unicode字符轉(zhuǎn)換成utf8字符
 * @param [type] $unicode_str Unicode字符
 * @return [type]       Utf-8字符
 */
function unicode_to_utf8($unicode_str) {
  $utf8_str = '';
  $code = intval(hexdec($unicode_str));
  //這里注意轉(zhuǎn)換出來(lái)的code一定得是整形，這樣才會(huì)正確的按位操作
  $ord_1 = decbin(0xe0 | ($code >> 12));
  $ord_2 = decbin(0x80 | (($code >> 6) & 0x3f));
  $ord_3 = decbin(0x80 | ($code & 0x3f));
  $utf8_str = chr(bindec($ord_1)) . chr(bindec($ord_2)) . chr(bindec($ord_3));
  return $utf8_str;
}

測(cè)試一下了

$utf8_str = '我';

//這是漢字“你”的Unicode編碼
$unicode_str = '4f6b';

//輸出 6211
echo utf8_str_to_unicode($utf8_str) . "<br/>";

//輸出漢字“你”
echo unicode_str_to_utf8($unicode_str);

以上這些轉(zhuǎn)換是針對(duì)中文漢字【往大了說(shuō)是非ASCII】的測(cè)試，因?yàn)槿绻茿SCII的話，轉(zhuǎn)來(lái)轉(zhuǎn)去都是一樣的，也用不著費(fèi)那么大工夫。

還有就是這兩個(gè)函數(shù)只是簡(jiǎn)單的實(shí)現(xiàn)了一下，只支持單個(gè)字符【一個(gè)完整的utf8字符或是一個(gè)完整的Unicode字符】互相轉(zhuǎn)換，大家如果明白了得話就可以盡情去擴(kuò)展了。。。

以上所述就是本文的全部?jī)?nèi)容了，希望大家能夠喜歡。

最新評(píng)論