Php无法找到分割utf-8字符串的方法

2023-01-01 21:42:27

我刚刚开始涉足php,我担心我需要一些帮助来弄清楚如何操作utf-8字符串.

我在ubuntu 11.10 x86,php版本5.3.6-13ubuntu3.2工作.我有一个utf-8编码文件(vim：set encoding确认这个)然后我继续阅读它

$file = fopen("file.txt", "r");
while(!feof($file)){
    $line = fgets($file);
    //...
}
fclose($file);

>使用mb_detect_encoding($line)报告UTF-8
>如果我回显$line,我可以在浏览器中正确看到该行(没有错位的字符)

>所以我猜浏览器和apache的一切都很好.虽然我确实搜索了我的apache配置AddDefaultCharset并尝试添加http元标记用于字符编码(以防万一)

当我尝试使用$arr = mb_split(‘;’,$line)拆分字符串时,结果数组的字段包含错误的utf-8字符(mb_detect_encoding($arr [0])也报告utf-8).

因此echo $arr [0]将导致如下内容：ï»¿Î’Î〜Î-ÎÎ.

我试过设置mb_detect_order(‘utf-8’),mb_internal_encoding(‘utf-8’),但没有改变.我还尝试使用this w3 perl regex手动检测utf-8,因为我在某处读到mb_detect_encoding有时会失败(神话？),但结果也一样.

所以我的问题是如何正确分割字符串？以错误的方式走下mb_路径？我错过了什么？

谢谢您的帮助！

更新：我正在添加示例字符串和base64等价物(感谢@chris’的建议)

1. original string: "ΑΘΗΝΑ;ΑΙΓΑΛΕΩ;12242;37.99452;23.6889"
2. base64 encoded: "zpHOmM6Xzp3OkTvOkc6ZzpPOkc6bzpXOqTsxMjI0MjszNy45OTQ1MjsyMy42ODg5"
3. first part (the equivalent of "ΑΘΗΝΑ") base64 encoded before splitting: "zpHOmM6Xzp3OkQ=="
4. first part ($arr[0] after splitting): "ï»¿Î‘Î˜Î—ÎÎ‘"
5. first part after splitting base64 encoded: "77u/zpHOmM6Xzp3OkQ=="

好的,所以在这之后似乎有一个77u / 3和5之间的差异.其中according to this是一个utf-8 BOM标记.那我怎么能避免呢？

更新2：我今天醒来时精神焕发,记住你的提示,我又试了一次.似乎$line = fgets($file)正确读取第一行(没有损坏的字符),并且每个后续行都失败.那么我base64_encoded第一行和第二行,77u / bom只出现在第一行的base64’d字符串上.然后我在vim中打开了违规文件,然后输入：set nobomb：w保存没有bom的文件.再次启动php显示第一行现在也被破坏了.基于@hakre的remove_utf8_bom,我添加了它的补充功能

function add_utf8_bom($str){
    $bom= "\xEF\xBB\xBF";
    return substr($str,0,3)===$bom?$str:$bom.$str;
}

并且现在每条线都正确读取了.

我不太喜欢这个解决方案,因为它似乎非常非常hackish(我无法相信整个框架/语言没有提供处理nobombed字符串的方法).所以你知道另一种方法吗？否则我将继续上述.

感谢@ chris,@ hakre和@jacob的时间！

更新3(解决方案)：事实证明它是一个浏览器的东西：它不足以添加标题(‘Content-type：text / html; charset = UTF-8’)和元标记像< meta http-equiv =“Content-type”value =“text / html; charset = UTF-8”/>.它也必须正确地包含在< html>< body>内.部分或浏览器无法正确理解编码.感谢@jake的建议.

故事的故事：我首先应该在尝试编写浏览器之前了解更多有关html的知识.感谢您的帮助和耐心.

解决方法:

当您在php中编写调试/测试脚本时,请确保输出或多或少有效的HTML页面.

我喜欢使用类似于以下的PHP文件：

<!DOCTYPE html>
<html>
  <head>
    <meta charset=utf-8>
    <title>Test page for project XY</title>
  </head>
  <body>
     <h1>Test Page</h1>
     <pre><?php
        echo print_r($_GET,1);
     ?></pre>
  </body>
</html>

如果您不包含任何HTML标记,浏览器可能会将该文件解释为文本文件,并且可能会发生各种奇怪的事情.在您的情况下,我假设浏览器将该文件解释为Latin1编码的文本文件.我认为它适用于BOM,因为每当BOM存在时,浏览器都会将该文件识别为UTF-8文件.

码农公寓

相关文章