使用 PHP 解码 unicode charmap（很可能是非标准的）

Question

我有这个：

\u00c3\u0083\u00c2\u00b6

那代表德语ö字符（ ö在 html 中）。

我的问题是我不知道它是什么编码，我尝试了几种解码方法（包括 json_decode 和mb_convert_encode('\Ã\ƒ\Â\¶','HTML-ENTITIES','UTF-8'); ) 到ö字符，但没有一个工作。

我无法首先查找它是如何编码的，因为它来自源代码不可用的数据库转储。

这个问题不是如何将 Unicode 转义序列（如“\í”）解码为正确的 UTF-8 编码字符？

由于 charmap 似乎不是任何有效的 UTF-8 或 UTF-16，因此无法使用链接问题中的任何方法进行解码。

Answer 1

因此，作为参考，您的源数据是UTF8，然后有人在其上运行了与utf8_encode() [将 ISO8859-1 转换为 UTF8，而不考虑实际输入内容] 等效的内容两次。

function unescape_unicode($input) {
    return preg_replace_callback(
        '/\\\\u([0-9a-fA-F]{4})/',
        function ($match) {
            return mb_convert_encoding(
                pack('H*', $match[1]),
                'UTF-8',
                'UTF-16BE'
            );
        },
        $input
    );

}

$input = "\u00c3\u0083\u00c2\u00b6";

var_dump(
    bin2hex(
        utf8_decode( // un-mojibake #1
            utf8_decode( // un-mojibake #2
                unescape_unicode($input)
            )
        )
    )
);

输出：

string(4) "c3b6"

其中0xc3 0xb6是ö的 UTF8 表示。

不要把这个代码投入生产。 您应该只使用它来取消无法从底层存储中正确恢复或检索的数据。 上面代码的主要目的是说明它是如何被破坏的。

这是你的新圣经： UTF-8 贯穿始终