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。
对于编码检测与转换这个问题，我梳理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。
本文是完结篇，承接昨天的博客，我们加入长度判定，得到了第五版代码。
第五版（调优第三版方法）
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");
}
}
if (strlen($ret) <= strlen($str) ) {
return $str;
} else {
return $ret;
}
}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 "{$ret}n";
}输出结果：
影
影
小鸠
小鸠
露营
露营
鸭寮街
鸭寮街
欧洲
娆ф床
ABC
ABC你以为完美了？结果并不是，测试妹子雪娇发现说，索引异常，跟入诊断发现是“甄嬛ABC”造成的问题。恩~~~~看输出结果，也确实有问题。如何继续？
进化思路：
此时，浩哥丢了个链接：PHP判断字符串编码函数mb_detect_encoding总结。阅读后发现，iconv这函数检测竟然比mb_detect_encoding稳定准确。那试试水好了。
第六版（调优第五版方法）
function stringToUtf8($str)
{
$ret = $str;
if ($str!="") {
$encode = detect_encoding($str);
#如果是中文或者Json转失败都强制转换
if ($encode=="EUC-CN" || json_encode([$str])===false) {
$ret = mb_convert_encoding($str, "UTF-8", "EUC-CN");
}
}
return $ret;
}
function detect_encoding($str)
{
if ($str === @iconv('EUC-CN', 'EUC-CN//IGNORE', $str)) {
return 'EUC-CN';
}
return 'UTF-8';
}输出结果：
影
影
小鸠
小鸠
露营
露营
鸭寮街
鸭寮街
欧洲
娆ф床
甄 BC
甄 BC比第五版好一点，就是甄嬛ABC竟然能正常进入索引了！只不过索引里显示为“甄 BC”。然后，测试妹子又发现，UTF-8编码的欧洲是会被重复编码的（第五版也一样）。
跪了，还有完没完啊……
精神病人思路广的进化思路：
一步一步来，首先，看起来嬛这个字不太对劲，测试发现以GBK为目标编码才能正常转为UTF-8的有效可识别的嬛字。之前都是从EUC-CN转UTF-8，那下一版就从这里入手。
第七版（调优第六版方法）
function stringToUtf8($str)
{
$ret = $str;
if ($str!="") {
$encode = detect_encoding($str);
#如果是中文或者Json转失败都强制转换
if ($encode=="EUC-CN" || json_encode([$str])===false) {
$ret = mb_convert_encoding($str, "UTF-8", "GBK");
}
}
return $ret;
}
function detect_encoding($str)
{
if ($str === @iconv('EUC-CN', 'EUC-CN//IGNORE', $str)) {
return 'EUC-CN';
}
return 'UTF-8';
}输出结果：
影
影
小鸠
小鸠
露营
露营
鸭寮街
鸭寮街
欧洲
娆ф床
甄嬛ABC
甄嬛ABC嬛字的问题解决了~~~但是欧洲依然会被重复编码~~~~
精神病人思路广的进化思路：
那= =检测编码的时候，我额外判定下是否包含中文汉字，如果不包含，说明这货的编码肯定不是UTF-8。
第八版（调优第七版方法）
function stringToUtf8($str)
{
$ret = $str;
if ($str!="") {
$encode = detect_encoding($str);
#如果是中文或者Json转失败都强制转换
if ($encode=="EUC-CN" || json_encode([$str])===false) {
$ret = mb_convert_encoding($str, "UTF-8", "GBK");
}
}
return $ret;
}
function detect_encoding($str)
{
if ($str === @iconv('EUC-CN', 'EUC-CN//IGNORE', $str) && preg_match('/[x{4e00}-x{9fa5}]/u', $str)===0) {
return 'EUC-CN';
}
return 'UTF-8';
}输出结果：
影
影
小鸠
小鸠
露营
露营
鸭寮街
鸭寮街
欧洲
欧洲
甄嬛ABC
甄嬛ABC喜大普奔，终于，终于所有用例都通过了。一个简单的编码检测并转换，折腾了半天。只能说基础太差，技术太菜~
至此，任务完成，这一次我绝对不会被打脸~
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