理解PHP中的字符编码

Question

我正在努力理解PHP中的字符编码。

考虑以下脚本（您可以在此处运行）：

$string = "\xe2\x82\xac";

var_dump(mb_internal_encoding());
var_dump($string);
var_dump(unpack('C*', $string));
$utf8string = mb_convert_encoding($string, "UTF-8");
var_dump($utf8string);
var_dump(unpack('C*', $utf8string));

mb_internal_encoding("UTF-8");

var_dump($string);
var_dump($utf8string);

我有一个字符串，实际上是€字符，用unicode代码点表示。 高达PHP 5.5 ，使用的内部编码是ISO-8859-1 ，因此我认为我的字符串将使用此编码进行编码。 使用unpack我可以看到我的字符串的咬合表示，它对应于我用来定义字符串的十六进制代码。

然后我使用mb_convert_encoding将字符串的编码转换为UTF-8 。 此时，字符串在屏幕上的显示方式不同，其字节表示也会发生变化（这是预期的）。

如果我将PHP内部编码也改为UTF-8 ，我希望在屏幕上正确显示utf8string ，但这不会发生。

我错过了什么？

Answer 1

您显示的脚本不使用任何非ascii字符，因此其内部编码没有任何区别。 mb_internal_encoding确实会在输出中转换您的数据。 这个问题会告诉你更多它是如何工作的; 它也会告诉你最好不要使用它。

代码中的三字节字符串$string是欧元符号的UTF-8表示形式，而不是其“unicode代码点”（宽度为2字节，与所有常见的Unicode字符一样： 0x20ac ）。

这会清除你看到的行为吗？

Answer 2

您从一个字符串开始，该字符串是欧元符号的utf-8表示。 如果你运行echo($string)所有版本的PHP都会产生你放在$string的三个字节。 浏览器如何解释它们取决于Content-Type标头中指定的字符集。 如果是text/html; charset=utf-8 text/html; charset=utf-8然后你在渲染页面中得到欧元符号。

然后你做错了。 你只用两个参数调用mb_convert_encoding() 。 这允许PHP使用mb_string扩展使用的内部编码的当前值作为第三个参数（ $from_encoding ）。 为什么？

对于PHP 5.6及更高版本， mb_internal_encoding()返回的默认值为utf-8 ，对mb_convert_encoding()的调用为no-op。

但是对于以前版本的PHP， mb_internal_encoding()返回的默认值是iso-8859-1 ，它与字符串的编码不匹配。 因此， mb_convert_encoding()将$string的字节解释为三个单独的字符，并使用utf-8的规则对它们进行编码。 结果显然是错误的。

顺便说一下，如果用'€'初始化$string ，你会在所有PHP版本上获得相同的输出（即使在PHP 4，iirc上）。