為什么說(shuō)php不支持unicode編碼

本篇內(nèi)容介紹了“為什么說(shuō)php不支持unicode編碼”的有關(guān)知識(shí)，在實(shí)際案例的操作過(guò)程中，不少人都會(huì)遇到這樣的困境，接下來(lái)就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細(xì)閱讀，能夠?qū)W有所成！

php不支持unicode是指PHP字符串不保存字符的編碼信息，所以原生操作函數(shù)，并不知道二進(jìn)制數(shù)據(jù)該如何對(duì)應(yīng)文本，只能假設(shè)一個(gè)字符對(duì)應(yīng)單個(gè)字節(jié)；這樣在處理英文等ascii碼時(shí)就夠用，但對(duì)于中文等多字節(jié)字符，就會(huì)出錯(cuò)。

本文操作環(huán)境：windows7系統(tǒng)、PHP7.1版，DELL G3電腦

php不支持unicode是什么意思？為什么說(shuō)PHP不支持Unicode編碼？

經(jīng)?？吹接姓f(shuō)法：PHP不支持Unicode，或者說(shuō)PHP在底層不支持Unicode。雖然我知道PHP編碼很蛋疼，各種字符串處理函數(shù)非常不規(guī)范，但也還能顯示中文，一直沒(méi)弄明白這個(gè)不支持Unicode是什么意思?；艘恍r(shí)間來(lái)梳理這方面的信息。

先從一個(gè)例子來(lái)引入：

一個(gè)PHP腳本如下，假設(shè)文件的編碼是UTF-8:

//文件編碼UTF-8
echo strlen("中文"); // 6
echo substr("中文",0,1) // 亂碼
echo substr("中文",0,3) // 中

很奇怪吧，從上面看，似乎把一個(gè)漢字當(dāng)成了3個(gè)字符。這就要從PHP對(duì)于字符串的存儲(chǔ)上說(shuō)起了。

我總結(jié)了一下，如下：

PHP的字符串，是由字節(jié)(byte)組成的數(shù)組構(gòu)成的。也就是說(shuō)，類(lèi)似于C語(yǔ)言 char a[3] = "abc" 這樣，一個(gè)字符占據(jù)一個(gè)字節(jié)。

除此之外，并沒(méi)有存儲(chǔ)文本的編碼信息，也就是說(shuō)PHP并不知道這些字符串的二進(jìn)制數(shù)據(jù)，應(yīng)該對(duì)應(yīng)怎樣的編碼。

再進(jìn)一步，PHP會(huì)按照腳本文件的編碼，來(lái)決定字符串的編碼。就比如：$string = "中文";，如果腳本文件是UTF-8，就會(huì)把中文的UTF-8的編碼：E4B8ADE69687給保存起來(lái)。

再進(jìn)一步，如前說(shuō)所，PHP并不保存字符串的編碼信息。所以即便中文保存為:E4B8ADE69687,在字符串原生函數(shù)看來(lái)，都只是一串二進(jìn)制數(shù)。所以，PHP原生字符串函數(shù)只能操作單字節(jié)字符！就是把一個(gè)字節(jié)當(dāng)做一個(gè)字符來(lái)處理！

如果想明白了上面幾點(diǎn)，上面的代碼例子就自然明白了：

//文件編碼UTF-8
echo bin2hex("中文"); // 可以看到，"中文"對(duì)應(yīng)的二進(jìn)制就是：e4b8ade69687
echo strlen("中文"); // 所以按照單字節(jié)來(lái)統(tǒng)計(jì)長(zhǎng)度，就是6 
echo substr("中文",0,1) // 取0到1個(gè)字節(jié)，也就是e4，并不對(duì)應(yīng)某個(gè)字符的編碼，所以亂碼
echo substr("中文",0,3) // 取0到3個(gè)字節(jié)，剛好把`中`的編碼取出來(lái)

同理，如果把文件編碼換成GBK或者別的，再實(shí)驗(yàn)也會(huì)得到類(lèi)似的結(jié)果，只不過(guò)GBK一個(gè)漢字占2字節(jié)。

那么到現(xiàn)在，基本可以明白了PHP底層不支持unicode到底說(shuō)的是什么了，總結(jié)如下：

PHP字符串不保存字符的編碼信息，所以原生操作函數(shù)，并不知道二進(jìn)制數(shù)據(jù)該如何對(duì)應(yīng)文本，只能【假設(shè)】一個(gè)字符對(duì)應(yīng)單個(gè)字節(jié)。這樣在處理英文等ascii碼時(shí)夠用了，但對(duì)于中文等【多字節(jié)字符】，就會(huì)出錯(cuò)了。

而作為反面，我們可以看看所謂底層支持Unicode的語(yǔ)言的情況：

var string = "中文"
console.log(string.length); // 2
string.substr(0,1) // 中

可以看到，在JS中，能正確識(shí)別和處理多字節(jié)字符。也就是在存儲(chǔ)時(shí)，把文本的編碼信息也一并存儲(chǔ)。（這里我猜測(cè)是保存的是文本的Unicode值，并不太確定，因?yàn)椴涣私釰S的底層原理）

那么這里就有疑問(wèn)了，PHP中如何才能正確處理多字節(jié)字符呢？答案就是mbstring擴(kuò)展（具體可看：http://php.net/manual/zh/book.mbstring.php）。所謂mbstring,也就是：multi-byte string ,多字節(jié)字符串。

這套擴(kuò)展中，有一系列與原生字符串函數(shù)對(duì)應(yīng)的函數(shù)，能用來(lái)正確處理多字節(jié)字符的情況。如：strlen 對(duì)應(yīng) mb_strlen …… 這些對(duì)應(yīng)函數(shù)中，基本和原生函數(shù)一致，只不過(guò)通常多了一個(gè)可選參數(shù)：編碼。

舉例如下：

// 腳本類(lèi)型為UTF-8
echo strlen("中文"); // 6
echo mb_strlen("中文","UTF-8"); //2  使用mb_strlen ，并傳入編碼 utf-8, 就會(huì)把二進(jìn)制E4B8ADE69687當(dāng)做utf-8的處理能正確處理
echo mb_strlen("中文"); //2  如果不傳編碼UTF-8,則函數(shù)會(huì)自動(dòng)確定編碼，文檔說(shuō)：如果省略，則使用內(nèi)部字符編碼。所以這里也當(dāng)做UTF-8來(lái)處理。
echo mb_strlen("中文","GBK"); //3，如果傳入編碼GBK，則：e4b8ade69687會(huì)被當(dāng)做gbk來(lái)處理，一個(gè)gbk字符占2字節(jié)，所以為：3

“為什么說(shuō)php不支持unicode編碼”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識(shí)可以關(guān)注億速云網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實(shí)用文章！