我正在开发php中的多语言应用程序。
一切都很好,直到最近我被要求支持汉字。我为支持UTF-8字符所做的操作如下:
-
所有的DB表现在都是UTF-8
-
HTML模板包含标签
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
-
控制器发送一个报头,指定用于http响应的编码(utf-8)
一切都很好,直到我开始做一些字符串操作(substr和类似的)
对于中文,它将不起作用,因为中文是用多字节表示的,因此如果你执行一个普通的子字符串(substr),它将在分配的一个字节的中间剪切一个"字母",并在屏幕上搞砸结果。
我通过在bootstrap
中添加这个修复了我所有的问题 mb_internal_encoding("UTF-8");
并将strlen
, substr
, strstr
全部替换为mb_
。
我还需要做些什么才能在php中完全支持UTF-8 ?
要做的不仅仅是替换这些函数。
正则表达式您应该将utf8标志添加到所有可以包含非ascii字符的字符串的PCRE正则表达式中,以便将模式解释为实际字符而不是字节。
$subject = "Helló";
$pattern = '/(l|ó){2,3}/u'; //The u flag indicates the pattern is UTF8
preg_match($pattern, substr($subject,3), $matches, PREG_OFFSET_CAPTURE);
还应该使用Unicode字符类而不是标准的Perl字符类,如果您希望正则表达式对非拉丁字母是正确的?
- 'p{L}而不是'w用于任何'字母'字符。
- 'p{Z}而不是's用于任何'空格'字符。
- 'p{N}而不是'd用于任何'数字'字符,例如阿拉伯数字
有很多不同的Unicode字符类,其中一些对于习惯用拉丁字母读写的人来说是很不寻常的。例如,一些字符与前一个字符组合形成一个新的字形。更多的解释可以在这里阅读。
虽然在mbstring扩展中有正则表达式函数,但不建议使用。标准的PCRE函数可以很好地使用UTF8标志。
函数替换
虽然你的列表是一个开始,但到目前为止,我发现需要用多字节版本替换的函数列表更长。这是函数列表及其替换函数,其中一些在PHP中没有定义,但可以从这里在Github上作为mb_extra获取。
$unsafeFunctions = array(
'mail' => 'mb_send_mail',
'split' => null, //'mb_split', deprecated function - just don't use it
'stripos' => 'mb_stripos',
'stristr' => 'mb_stristr',
'strlen' => 'mb_strlen',
'strpos' => 'mb_strpos',
'strrpos' => 'mb_strrpos',
'strrchr' => 'mb_strrchr',
'strripos' => 'mb_strripos',
'strstr' => 'mb_strstr',
'strtolower' => 'mb_strtolower',
'strtoupper' => 'mb_strtoupper',
'substr_count' => 'mb_substr_count',
'substr' => 'mb_substr',
'str_ireplace' => null,
'str_split' => 'mb_str_split', //TODO - check this works
'strcasecmp' => 'mb_strcasecmp', //TODO - check this works
'strcspn' => null, //TODO - implement alternative
'strrev' => 'mb_strrev', //TODO - check this works
'strspn' => null, //TODO - implement alternative
'substr_replace'=> 'mb_substr_replace',
'lcfirst' => null,
'ucfirst' => 'mb_ucfirst',
'ucwords' => 'mb_ucwords',
'wordwrap' => null,
);
MySQL 虽然您可能认为将字符类型设置为utf8
将使MySQL支持UTF-8,但事实并非如此。
它只给你支持UTF-8编码在最多3个字节又称为基本多语言平面。然而,人们正在积极使用需要4字节编码的字符,包括大多数表情符号字符,也被称为补充多语言平面
要支持这些,通常应该使用:
- utf8mb4 -用于字符编码。
- utf8mb4_unicode_ci -用于字符排序。
对于特定的场景,有可能适合您的替代排序集,但通常坚持使用最正确的排序集。
你应该在MySQL配置文件中设置字符集和排序规则的地方列表如下:
[mysql]
default-character-set=utf8mb4
[client]
default-character-set=utf8mb4
[mysqld]
init-connect='SET NAMES utf8mb4'
character-set-server=utf8mb4
collation-server=utf8mb4_unicode_ci
SET NAMES
可能不是在所有情况下都需要,但只有在很小的速度损失下才更安全。
INI文件
虽然您说您已经在引导脚本中设置了mb_internal_encoding,但在PHP ini文件中设置mb_internal_encoding要好得多,并设置所有推荐的参数:
mbstring.language = Neutral ; Set default language to Neutral(UTF-8) (default)
mbstring.internal_encoding = UTF-8 ; Set default internal encoding to UTF-8
mbstring.encoding_translation = On ; HTTP input encoding translation is enabled
mbstring.http_input = auto ; Set HTTP input character set dectection to auto
mbstring.http_output = UTF-8 ; Set HTTP output encoding to UTF-8
mbstring.detect_order = auto ; Set default character encoding detection order to auto
mbstring.substitute_character = none ; Do not print invalid characters
default_charset = UTF-8 ; Default character set for auto content type header
帮助浏览器为表单选择UTF8
你需要将表单的accept-charset设置为UTF-8,告诉浏览器以UTF8格式提交。
在表单的隐藏字段中添加UTF8字符,以阻止Internet Explorer(5,6,7和8)以非UTF8格式提交表单
Misc
如果你使用Apache设置"AddDefaultCharset utf-8"
正如你所说的,但只是为了提醒任何阅读答案的人,在标题中设置元内容类型。
应该就是这样了。虽然值得一读"每个程序员绝对需要知道的关于编码和字符集的内容"页面,但我认为最好在任何地方使用UTF-8,这样就不必在处理不同的字符集上花费任何精力。