PHP Master | Travailler avec des chaînes de multicette

La langue numérique, que ce soit en anglais, en japonais ou dans toute autre langue, se compose de nombreux personnages. Par conséquent, lorsqu'il s'agit d'une langue numérique, une question de base est de savoir comment représenter chaque caractère numériquement. Dans le passé, nous n'avions qu'à représenter des caractères anglais, mais maintenant les choses sont très différentes, et le résultat est un schéma de codage de personnage éblouissant pour représenter les personnages dans plusieurs langues différentes. Comment PHP associe-t-il et traite ces différents schémas?

Points clés

• Les caractères multi-octets utilisent un à quatre octets pour définir des caractères, ce qui est crucial pour les représentations numériques des langues avec plus de 256 caractères uniques. Unicode, en particulier UTF-8, est le schéma de codage le plus utilisé pour ces caractères.
• PHP lui-même n'est pas conçu pour gérer les caractères multilinants. Pour traiter ces caractères, un ensemble spécial de fonctions, la fonction MBSTring, doit être utilisé. Cependant, l'en-tête HTTP de PHP contient également des identifiants de jeu de caractères qui peuvent remplacer les balises Meta de la page.
• La prise en charge multi-octets n'est pas la fonction par défaut de PHP et nécessite une reconfiguration. Pour activer la fonction MB, utilisez l'option --Enable-MbString Compile-Time et définissez l'option de configuration d'exécution mbString-coding_translation.
• Plusieurs commandes de chaînes multipies sont disponibles en PHP, telles que MB_CHECK_ENCODING, MB_STRLEN et MB_ERG_SEARCH, qui sont utilisées pour vérifier si une séquence de codage spécifique est valide, trouver le nombre de caractères dans une chaîne multi-gobyte et effectuer des recherches de caractères traditionnelles. Version multi -yte.

bases

Nous savons tous que les "bits" peuvent être 0 ou 1, tandis que "les octets" sont une combinaison de huit bits consécutifs. Puisqu'il y a huit bits à double valeur dans un octet, un octet peut être configuré dans un total de 256 modes différents (à la 8e puissance de 2). Différents caractères peuvent être associés à chaque mode 8 bits possible. Mettez ces octets dans différents ordres et vous avez votre propre façon de communiquer. Ce n'est pas nécessairement intelligent, cela dépend de qui est des deux extrémités, mais c'est la communication. Tant que nous pouvons exprimer des caractères dans une langue avec 256 caractères uniques ou moins, nous réussissons. Mais que se passe-t-il si nous ne pouvons pas exprimer une langue avec seulement 256 caractères? Ou si nous devons exprimer plusieurs langues dans le même document? Aujourd'hui, alors que nous numérisons tout ce que nous pouvons trouver, 256 caractères sont loin d'être suffisants. Heureusement, les schémas de personnages qui relèvent mieux de ce défi ont été conçus. Ces nouveaux ensembles de super-chargement utilisent un à quatre octets pour définir des caractères. Aujourd'hui, le grand gars dans le domaine du codage des personnages est Unicode, qui est une solution qui utilise plusieurs octets pour représenter les personnages. Il a été développé par Unicode Consortium et est disponible en plusieurs versions: UTF-32 (pour Dreadnaught Class Starship), UTF-16 (pour l'entreprise dans Star Trek: Dark Unbound) et UTF-8 (la plupart d'entre nous devraient l'utiliser dans le vrai monde pour nos applications Web). Comme je l'ai dit, Unicode (y compris UTF-8) utilise plusieurs configurations d'octets pour représenter les caractères. UTF-8 utilise un à quatre octets pour générer 1 112 064 modèles pour représenter différents caractères. Ces "personnages larges" prennent plus de place, mais l'UTF-8 a tendance à traiter plus rapidement que certains autres schémas de codage. Pourquoi tout le monde loue-t-il UTF-8? Une partie de cela est les modèles populaires mis en évidence dans les annonces compatibles UTF-8 vues sur ESPN et TCM, mais principalement parce que UTF-8 imite ASCII, qui suit ASCII précisément si vous n'impliquez aucun caractères spéciaux.

Comment cela affecte-t-il le PHP?

Je sais ce que vous pensez. J'ai juste besoin de définir le jeu de caractères sur "UTF-8" dans ma balise Meta et tout ira bien. Mais ce n'est pas vrai. Premièrement, le simple fait est que PHP n'est pas vraiment conçu pour gérer les caractères multi-gytets, donc l'utilisation de fonctions de chaîne standard pour fonctionner sur ces caractères peut produire des résultats incertains. Lorsque nous devons traiter ces caractères multilingue, nous devons utiliser un ensemble spécial de fonctions: la fonction MBSTring. Deuxièmement, même si vous contrôlez PHP, il peut encore y avoir des problèmes. L'en-tête HTTP qui remplace votre communication contient également une identité de jeu de caractères, qui remplace le contenu dans la balise Meta Page. Alors, comment PHP gère-t-il les caractères multi -yte? Il existe deux ensembles de fonctions qui affectent les chaînes de multicette. Le premier est l'icôve. À partir de la version 5.0, cela est devenu la partie par défaut de la langue, un moyen de convertir un jeu de caractères en une autre représentation de jeu de caractères. Ce n'est pas ce dont nous discuterons dans cet article. La seconde est la prise en charge de MultiByte, qui est une série de commandes préfixées avec "MB_". Il y a beaucoup de ces commandes, et un examen rapide montre que certains d'entre eux sont liés à déterminer si les caractères sont appropriés sur la base d'un schéma de codage donné, tandis que d'autres sont des fonctions orientées vers la recherche similaires à une partie des expressions régulières PHP mais sont des fonctions multi -yte.

Activer la prise en charge de plusieurs mouste pour php

La prise en charge multi-octets n'est pas la fonctionnalité par défaut de PHP, mais il ne nous oblige pas non plus à télécharger des bibliothèques ou des extensions supplémentaires; Malheureusement, si vous utilisez une version gérée de PHP, ce n'est peut-être pas quelque chose que vous pouvez faire. Utilisez la fonction phpinfo () pour afficher votre configuration. Faites défiler vers le bas pour sortir à mi-chemin, et il y aura une section appelée "MbString". Cela vous montrera si les fonctionnalités de base sont activées. Pour plus d'informations sur la façon d'activer cette fonctionnalité, vous pouvez vous référer au manuel. En bref, vous pouvez activer la fonction MB à l'aide de l'option de compilation --r-mbstring et définir l'option de configuration d'exécution mbString-coding_translation. Bien sûr, la solution finale est PHP 6, car elle utilisera la bibliothèque USI IBM (veuillez enlever votre chapeau) pour assurer la prise en charge native pour les jeux de caractères multiples. Tout ce que nous avons à faire est de nous asseoir et d'attendre, non? Mais jusque-là, consultez le support multi -yte disponible maintenant.

Commande de chaîne multi-octets

Il peut y avoir 53 commandes de chaîne multipyte différentes. Il peut y en avoir 54. J'étais un peu à l'écart à un moment donné, mais vous obtenez ce que je veux dire. Inutile de dire que nous ne l'expliquerons pas un par un, mais pour le plaisir, jetons un coup d'œil à quelques-uns.

• MB_CHECK_ENCODING

La fonction

mb_check_encoding () vérifie pour déterminer si une séquence de codage spécifique est valide pour le schéma de codage. La fonction ne vous dira pas comment la chaîne est encodée (ou quels schémas pour lesquels il fonctionnera), mais il vous dira s'il fonctionne pour le schéma spécifié.

<?php
$string = 'u4F60u597Du4E16u754C';
$string = json_decode('"' . $string . '"');
$valid = mb_check_encoding($string, 'UTF-8');
echo ($valid) ? 'valid' : 'invalid';
?>

Vous pouvez trouver une liste des encodages pris en charge dans le manuel PHP.

• mb_strlen

La fonction

strlen () renvoie le nombre d'octets dans la chaîne. Pour ASCII, qui est un seul octet, cela rend agréable de trouver le nombre de caractères. Pour les chaînes de multi-gobete, vous devez utiliser la fonction mb_strlen ().

<?php
$string = 'u4F60u597Du4E16u754C';
$string = json_decode('"' . $string . '"');
$valid = mb_check_encoding($string, 'UTF-8');
echo ($valid) ? 'valid' : 'invalid';
?>

• mb_ereg_search

La fonction

mb_ereg_search () effectue une version multi-gytet de la recherche de caractères traditionnelle. Mais il y a quelques mises en garde - vous devez spécifier le schéma de codage à l'aide de la fonction MB_REGEX_ENCODING (), l'expression régulière n'a pas de séparateur (c'est juste une partie du modèle), et l'expression régulière et la chaîne sont spécifiées en utilisant MB_EREG_SEARCH_INIT ().

<?php
$string = 'u4F60u597Du4E16u754C';
$string = json_decode('"' . $string . '"');

echo strlen($string); // 输出 12 – 错误！
echo mb_strlen($string, 'UTF-8'); // 输出 4
?>

Est-ce que c'est suffisant?

Je ne sais pas comment tu vas, mais je pense que le monde a vraiment besoin de choses plus simples. Malheureusement, le traitement multi-gytet ne répond pas à cette exigence. Mais pour l'instant, c'est quelque chose que vous ne pouvez pas ignorer. Parfois, vous ne pourrez pas effectuer un traitement de chaîne PHP normal (car vous essayez de traiter les caractères qui dépassent la plage ASCII normale (U 0000 - U 00FF). Cela signifie que vous devez utiliser des fonctions orientées MB_. Vous voulez en savoir plus? Sérieusement, voulez-vous? Je pensais vraiment que cela vous ferait peur. Je n'étais pas préparé à cela. Mon temps est venu. Quel est votre meilleur choix? Découvrez le manuel PHP. Oh, et essayez quelque chose. Il n'y a rien pour remplacer l'expérience d'utiliser réellement quelque chose.

(La partie FAQ d'origine doit être conservée ici car son contenu est fortement lié au sujet de l'article et réduira la lisibilité après réécriture.)

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!