核心要點(diǎn)

• 盡管PHP能夠處理多字節(jié)變量名和Unicode字符串，但由于將字符串視為單字節(jié)字符序列，該語(yǔ)言缺乏全面的Unicode支持。此限制影響字符串操作的各個(gè)方面，包括子字符串提取、確定字符串長(zhǎng)度和字符串分割。
• Portable UTF-8是一個(gè)用戶空間庫(kù)，它為PHP應(yīng)用程序帶來(lái)Unicode支持。它構(gòu)建在mbstring和iconv之上，提供大約60個(gè)基于Unicode的字符串操作、測(cè)試和驗(yàn)證函數(shù)，并使用UTF-8作為其主要字符編碼方案。該庫(kù)完全可移植，可與任何PHP 4.2或更高版本的安裝一起使用。
• Portable UTF-8庫(kù)提供多個(gè)處理Unicode字符串的函數(shù)，包括UTF-8輸入驗(yàn)證、去除無(wú)效字節(jié)、將文本編碼為HTML實(shí)體以防止XSS攻擊、修剪空格、刪除重復(fù)空格、創(chuàng)建包含UTF-8字符的URL片段以及強(qiáng)制限制輸入字符長(zhǎng)度。這確保了在支持Unicode的應(yīng)用程序中，重點(diǎn)從字節(jié)和字節(jié)長(zhǎng)度轉(zhuǎn)移到字符和字符長(zhǎng)度。

PHP允許使用多字節(jié)變量名（例如$a∩b、$?xy和$Δx），mbstring和其他擴(kuò)展程序可處理Unicode字符串，utf8_encode()和utf8_decode()函數(shù)可在UTF-8和ISO-8859-1編碼之間轉(zhuǎn)換字符串。然而，人們普遍認(rèn)為PHP缺乏Unicode支持。本文介紹了缺乏Unicode支持的含義，并演示了如何使用一個(gè)為PHP應(yīng)用程序帶來(lái)Unicode支持的庫(kù)——Portable UTF-8。

PHP中的Unicode支持

PHP缺乏Unicode/多字節(jié)支持意味著標(biāo)準(zhǔn)字符串處理函數(shù)將字符串視為單字節(jié)字符序列。事實(shí)上，PHP官方手冊(cè)將PHP中的字符串定義為“一系列字符，其中一個(gè)字符與一個(gè)字節(jié)相同”。PHP僅支持8位字符，而Unicode（以及許多其他字符集）可能需要多個(gè)字節(jié)來(lái)表示一個(gè)字符。PHP的這一限制幾乎影響字符串操作的各個(gè)方面，包括（但不限于）子字符串提取、確定字符串長(zhǎng)度、字符串分割、混排等。解決這個(gè)問(wèn)題的努力始于2005年初，但在2010年，由于多種原因，將原生Unicode支持引入PHP的工作被停止并擱置。由于PHP中的原生Unicode支持可能需要數(shù)年時(shí)間才能實(shí)現(xiàn)（如果真的會(huì)實(shí)現(xiàn)的話），開(kāi)發(fā)人員必須依賴可用的mbstring和iconv等擴(kuò)展來(lái)填補(bǔ)這一空白，但這些擴(kuò)展只提供有限的Unicode支持。這些庫(kù)并非以Unicode為中心，也能夠在非Unicode編碼之間進(jìn)行轉(zhuǎn)換。它們?yōu)楹?jiǎn)化Unicode字符串處理做出了積極貢獻(xiàn)。但是，上述擴(kuò)展也有一些缺點(diǎn)。它們僅提供有限的Unicode字符串處理功能，并且沒(méi)有一個(gè)默認(rèn)啟用。服務(wù)器管理員必須顯式啟用任何一個(gè)或所有擴(kuò)展才能通過(guò)PHP應(yīng)用程序訪問(wèn)它們。共享主機(jī)提供商通常會(huì)通過(guò)安裝一兩個(gè)擴(kuò)展來(lái)使情況變得更糟，這使得開(kāi)發(fā)人員難以依靠始終可用的API來(lái)滿足其Unicode需求。盡管如此，好消息是PHP可以輸出Unicode文本。這是因?yàn)镻HP并不真正關(guān)心我們是否正在發(fā)送以ASCII編碼的英文文本或?qū)儆谄渥址远鄠€(gè)字節(jié)編碼的語(yǔ)言的其他文本。了解這一點(diǎn)后，PHP開(kāi)發(fā)人員現(xiàn)在只需要一個(gè)提供舒適的基于Unicode的字符串操作的API。

Portable UTF-8

最近的解決方案是創(chuàng)建用PHP編寫的用戶空間庫(kù)。即使服務(wù)器/語(yǔ)言級(jí)別缺少支持，這些庫(kù)也可以輕松地與應(yīng)用程序捆綁在一起，以確保Unicode支持的存在。許多開(kāi)源應(yīng)用程序已經(jīng)包含了自己的此類庫(kù)，還有更多應(yīng)用程序使用免費(fèi)提供的第三方庫(kù)；Portable UTF-8就是這樣一個(gè)庫(kù)。Portable UTF-8是一個(gè)免費(fèi)的輕量級(jí)庫(kù)，構(gòu)建在mbstring和iconv之上。它擴(kuò)展了這兩個(gè)擴(kuò)展的功能，提供了大約60個(gè)基于Unicode的字符串操作、測(cè)試和驗(yàn)證函數(shù)；它為幾乎所有PHP的常用字符串處理函數(shù)提供了UTF-8感知的對(duì)應(yīng)函數(shù)。顧名思義，Portable UTF-8使用UTF-8作為其主要字符編碼方案。該庫(kù)出于速度原因而使用可用的擴(kuò)展（mbstring和iconv），并彌合了直接使用它們時(shí)的一些不一致之處，但如果服務(wù)器上沒(méi)有這些擴(kuò)展，則會(huì)回退到用純PHP編寫的UTF-8例程。Portable-UT8完全可移植，可與任何PHP 4.2或更高版本的安裝一起使用。

使用Portable UTF-8進(jìn)行字符串處理

具有較差Unicode支持的文本編輯器在讀取文本時(shí)可能會(huì)損壞文本，從這樣的編輯器復(fù)制并粘貼到Web表單中的文本可能是應(yīng)用程序無(wú)效UTF-8的來(lái)源。在處理用戶提交的輸入時(shí)，務(wù)必確保輸入完全符合應(yīng)用程序的預(yù)期。要檢測(cè)文本是否為有效的UTF-8，可以使用庫(kù)的is_utf8()函數(shù)。

if (is_utf8($_POST['title'])) {
    // 執(zhí)行某些操作...
}

從無(wú)效字節(jié)中恢復(fù)字符是不可能的，因此去除無(wú)法識(shí)別為有效UTF-8字符的字節(jié)可能是您的唯一選擇?？梢允褂?code>utf8_clean()函數(shù)去除無(wú)效字節(jié)。

$title = utf8_clean($_POST['title']);

每個(gè)Unicode字符都可以編碼為相應(yīng)的HTML實(shí)體，您可能希望以這種方式編碼文本以幫助防止XSS攻擊，然后再將其輸出到瀏覽器。

echo utf8_html_encode($title);

通常會(huì)在字符串的開(kāi)頭和結(jié)尾修剪空格。Unicode列出了大約20個(gè)空格字符，還有一些基于ASCII的控制字符也應(yīng)被視為需要修剪的對(duì)象。

$title = utf8_trim($title);

另一方面，字符串中間可能存在此類空格的重復(fù)項(xiàng)，應(yīng)將其刪除。以下顯示了如何將utf8_remove_duplicates()和utf8_ws()組合使用：

$title = utf8_remove_duplicates($title, utf8_ws());

用于創(chuàng)建URL片段以實(shí)現(xiàn)SEO目的的傳統(tǒng)解決方案使用音譯并從片段中去除所有非ASCII字符。這使得URL的價(jià)值低于其本來(lái)的價(jià)值。雖然URL可以支持UTF-8編碼的字符，但無(wú)需進(jìn)行此類去除或音譯，我們可以創(chuàng)建包含任何語(yǔ)言字符的豐富片段：

$slug = utf8_url_slug($title, 30); // 字符長(zhǎng)度30

從輸入驗(yàn)證開(kāi)始到將數(shù)據(jù)保存到某個(gè)數(shù)據(jù)庫(kù)，支持Unicode的應(yīng)用程序關(guān)注的是字符和字符長(zhǎng)度，而不是字節(jié)和字節(jié)長(zhǎng)度。這種關(guān)注點(diǎn)的轉(zhuǎn)變需要一個(gè)理解這種差異的新接口。通常需要對(duì)輸入字符長(zhǎng)度進(jìn)行限制，因此，如果輸入超過(guò)60個(gè)字符的長(zhǎng)度，我們將創(chuàng)建一個(gè)子字符串。

if (utf8_strlen($title) > 60) {
    $title  = utf8_substr($title, 0, 60);
}

或者：

if (!utf8_fits_inside($title , 60)) {
    $title  = utf8_substr($title, 0 ,60);
}

使用Portable-UT8庫(kù)有三種不同的方法可以訪問(wèn)單個(gè)字符。我們可以使用utf8_access()來(lái)訪問(wèn)單個(gè)字符。

echo '第六個(gè)字符是：' . utf8_access($string, 5);

utf8_chr_map()允許使用回調(diào)函數(shù)迭代地訪問(wèn)單個(gè)字符。

utf8_chr_map('some_callback', $string);

我們可以使用utf8_split()將字符串拆分為字符數(shù)組，并將數(shù)組元素作為單個(gè)字符進(jìn)行處理。

array_map('some_callback', utf8_split($string));

處理Unicode可能還需要我們查找字符串中的最小/最大代碼點(diǎn)、分割字符串、處理字節(jié)順序標(biāo)記、字符串大小寫轉(zhuǎn)換、隨機(jī)化/混排、替換等。所有這些都受Portable-UT8支持。

結(jié)論

PHP 6的開(kāi)發(fā)已被停止，導(dǎo)致長(zhǎng)期需要的原生Unicode支持被推遲，這對(duì)于開(kāi)發(fā)多語(yǔ)言應(yīng)用程序至關(guān)重要。因此，在此期間，服務(wù)器端擴(kuò)展和用戶空間庫(kù)（如Portable UTF-8）在幫助開(kāi)發(fā)人員創(chuàng)建更好的標(biāo)準(zhǔn)化Web，以滿足本地需求方面發(fā)揮著重要作用。

(由于篇幅限制，此處省略了FAQs部分)

以上是使用便攜式UTF-8將Unicode帶到PHP的詳細(xì)內(nèi)容。更多信息請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！