PHP的文件编码一般都是默认的UTF-8。而面对GBK的数据库的话，接入数据库不仅要指定字符集是gbk，得到的结果中，汉字部分也还是需要从GBK转编码到UTF-8的。
网上呢，关于这个一般介绍也就给个mb_detect_encoding，最多再给个iconv就到头了。
但我打算梳理下自己负责的一个系统相关方法，以码会友，于是，就有了这篇进化史。
注：PHP默认文件编码为UTF-8。故测试用例的汉字都预先强制从UTF-8转码为GBK。
第一版
function stringToUtf8($str)
{
$encode = mb_detect_encoding($str, [ "ASCII","UTF-8","GB2312","GBK","BIG5", "EUC-CN" ]);
if ($encode!=="UTF-8") {
return mb_convert_encoding($str, "UTF-8", $encode);
} else {
return $str;
}
}看起来是很中规中矩是吧，网上找的大部分编码检测也差不多类似。理解起来就是，如果检测结果不是UTF-8，那就转码。
乍一看挺好啊，这不是实现了么，那试试下面的测试用例：
<?php
$arr = ["影", "小鸠", "露营", "鸭寮街", "欧洲", "甄嬛ABC"];
foreach ($arr as $ret) {
test($ret);
}
function test($ret)
{
$ret = mb_convert_encoding($ret, "GBK", "UTF-8");
$ret = stringToUtf8($ret);
echo "{$ret}n";
$ret = stringToUtf8($ret);
echo "{$ret}n";
}输出结果：
С
С
弽
弽
欧洲
欧洲
甄嬛ABC
甄嬛ABC呐，你看，很多结果都不对。当然，如果你给每个测试用例加个全角的句号“。”，那结果就不一样了。但这不重要，有兴趣自己试试？
剑走偏锋（精神病人思路广）的进化思路：
最初发现问题是因为写入Elasticsearch部分条目报错json异常。灵感来了，json_encode只能转化UTF-8编码的文字，遇到中文就会返回false。这特性看起来可以利用。
第二版
function stringToUtf8($str)
{
$encode = mb_detect_encoding($str, [ "ASCII", "UTF-8", "GB2312", "GBK", "BIG5", "EUC-CN" ]);
if ($encode!=="UTF-8") {
$ret = mb_convert_encoding($str, "UTF-8", $encode);
} else {
$ret = $str;
}
#遇到特殊字会检测为UTF-8,但其实是GBK的,需要用json_encode判定,如果转码失败就强制修正
if (json_encode([$ret])===false && $encode=="UTF-8") {
$ret = mb_convert_encoding($str, "UTF-8", "EUC-CN");
}
return $ret;
}已经结合上一版的改进思路，加入了json_encode方法的利用。测试用例再走一波：
小鸠
小鸠
鸭寮街
鸭寮街
欧洲
欧洲
甄嬛ABC
甄嬛ABC= =是不是很6？影和露营依然有问题。
精神病人思路广的进化思路：
恩- -检测目标其实就是区分下是不是UTF-8。而mb_detect_encoding备选编码顺序是会影响结果的，那我就只保留两个备选编码：”EUC-CN”, “UTF-8″。
如果检测失败，或者是EUC-CN，或者json_encode失败，就强制从EUC-CN转UTF-8。
第三版
function stringToUtf8($str)
{
$ret = $str;
if ($str!="") {
$encode = mb_detect_encoding($str, [ "EUC-CN", "UTF-8" ]);
#如果未检测出编码类型，或者是中文或者Json转失败都强制转换
if (!$encode || $encode=="EUC-CN" || json_encode([$str])===false) {
$ret = mb_convert_encoding($str, "UTF-8", "EUC-CN");
}
}
return $ret;
}输出结果：
影
褰
小鸠
小鸠
露营
露营
鸭寮街
鸭寮街
欧洲
娆ф床
甄 BC
甄 BC额？二次转码会重复转码造成部分结果出现异常，预期上来看，重复转码应当确保结果稳定才对，怎么整呢？
精神病人思路广的进化思路：
这时许赢提出，汉字的编码正则判定是按范围来的，影这个字，json_encode可以解析为u04f0。那~~~我反复一下，决定试试调优下第一版的旧方法如何？
第四版（调优第一版方法，没啥参考价值，可以跳过）
function stringToUtf8($str)
{
$encode = mb_detect_encoding($str, [ "ASCII", "UTF-8", "GB2312", "GBK", "BIG5", "EUC-CN" ]);
if ($encode!=="UTF-8") {
$ret = mb_convert_encoding($str, "UTF-8", $encode);
} else {
$ret = $str;
}
#遇到特殊字会检测为UTF-8,但其实是GBK的,需要用json_encode判定,如果转码失败就强制修正
#思路来自许赢
$content = json_encode([$ret]);
$findpos = -1;
do {
$findpos = strpos($content, 'u', $findpos+1);
if ($findpos!=false) {
$str1 = hexdec(substr($content, $findpos+2, 4));
#u4e00-u9fa5是汉字范围,超出了,说明检测不对,需要强转码
if ($str1 < 19968 || $str1 > 40869) {
$ret = mb_convert_encoding($str, "UTF-8", "EUC-CN");
}
break;
}
} while($findpos!=false);
return $ret;
}输出结果：
影
影
С
С
露营
露营
弽
弽
欧洲
欧洲
甄嬛ABC
甄嬛ABC= =这结果，比较扯淡，还是放弃这种骚方法吧。继承第三版方法改进。
精神病人思路广的进化思路：
其实之前从第二版到第三版的尝试过程中，灵光乍现想过转码前后长度是不一样的，但是实测没卵用，就放弃了。但在第三版结果趋于稳定的情况下，许赢再次提到了这个思路，结合思路，加入长度判定，看看效果如何。
欲知后事如何，且见明日博客。
如您从本文得到了有价值的信息或帮助，请考虑扫描文末二维码捐赠和鼓励。
如本文对您有用，捐赠和留言 将是对我最好的支持~（捐赠可转为站内积分）
如愿意，请向朋友推荐本站，谢谢。
尊重他人劳动成果。转载请务必附上原文链接，我将感激不尽。
留言