PHP字符编码ASCII 、GB23十二、GBK、UTF-8解释

变量命名规则：
1.  变量名区分大小写(case-sensitive) 。
2.  必须字母或下划线开头。变量名可由 字母、数字、下划线组成。  


看 到这里可能，不少人纳闷了~。那为啥  $我是变量    这样的中文也能作变量名呢？ 在PHP里，中文的确是能够作变量名的（能用是能用但千万别项目上用....) 。 由于这里的字母是指： a-z   A-Z  和  扩展ASCII 字符里从 127 到 255  ，16进制表示为：0x7f-0xff   。 那意思就是ASCII字符里从127到255 (0x7f-0xff) 涵括了中文？ 的确是这样的。下面就简单的讲下编码。



ASCII 、GB23十二、GBK、UTF-8  编码：


ASCII ：
ASCII 编码里包括了128个字符。用 十进制 0  到 127 来表示 。那就对了， 0 到 127 不就是 128个字符吗。 每个数字都表明一个字符。看ASCII 编码表







我 们先看十进制(Dec) 这列，看到了吗 。 十进制数字  9 对应 的字符是 咱们开发用得最多的 TAB键。 再看看 48 对应的字符是  0 。没错从  ASCII  48开始 到57 都表示数字  0到9 。  ASCII  97 到 122 表示 小写字母 a 到 z 。   好比： 咱们看到的字母 a  ，其实计算机并不认识啥 字母a , 她只认识  97。 她把a 转成了 ASCII 97来进行存储。下面用PHP 来玩玩 ASCII 。



来咱们认识两个函数：
ord  ----  Return ASCII value of character     返回 字符的 ASCII 值 。
chr  ----  Return a specific character     返回 ASCII 对应的 字符。

翠花上例子：
<?php echo(ord('a'));?>

//输出   97  
没错吧，  小写a的 ASCII 就是  97。   要把 ASCII 97  对应的字符打印出来：
<?php echo(chr(97));?>


//输出 a
恩。看完基本就明白了。  ASCII 编码 里面包括了  大小写字母   数字 和 一些经常使用的控制字符。 这样在使用英语的国家基本就能使用了。计算机存储的是ASCII 。 人看到的就是 ASCII 对应的字符。

GB2312 编码：
世界上并不全是用英语做为语言的。好比我国用的是中文。小日本用的是 日语。 韩国用的是韩文。 这些语言和英语彻底不是一回事。 你看ASCII 表上有中文对应的”数字“吗？没有吧。由于还有一份 GB2312编码表 ，和ASCII 编码表道理同样。  连接： http://wenku.baidu.com/view/244e2d2ce2bd960590c677a6.html     你们打开一看，哎呀~~！ 是否有点乱乱，找不到头绪，啥乱七八糟。 不过当明白原理，就容易看懂了。

在 GB2312编码里面，一个字符咱们须要用两个字节来进行存储和表示。咱们记得ASCII 编码里面 一个字符只须要一个字节。因此以GB2312存储数据比 ASCII 大一倍。 那么GB2312 这两个字节，分别放啥数字 才能表示字母 a 呢？ 咱们知道 ASCII 编码  a  就一个字节表示，编码97。 GB2312 编码比 ASCII 复杂一点，


在要看懂 GB2312编码表以前，首先咱们要学习下”区位码“。



区位码概念：
GB2312对汉字和其余字符（字母，数字等）进行了“分区”。
       01-09区为特殊符号（数字呀、字母呀等）。
       16-55区为一级汉字，按拼音排序。
       56-87区为二级汉字，按部首／笔画排序。


分区是啥？好比我是广西的，你是河南的、他是广东。 也就是说每一个字符确定存在于某个区里。  这种表示方式叫作 “区位码”。  区位码 实际上是   区号和位号(表示一个字符在这个哪一个区里的第几列) 。 你想知道每一个汉字的区位码？简单呀。给你个连接本身查去  http://www.jscj.com/index/gb2312.php      






我 们以   “啊” 这个汉字来查它的区位码。  以上图所示   1601  是 “啊”这个汉字的区位码。  区号是 16 ，  位号  01。     若是你们还记得，  16区 是 一级汉字哦。牛X呀。一级汉字是啥意思？ 我估计是经常使用的汉字？~我也不知道，这个是国内专家定义的。  位号 是 01   ，位号其实就是说你在这个区里排行老几。  有了 x轴(区号)和y轴(位号) 那么天然就又个交点，经过交点就能在 GB2312编码表上找到对应的汉字了。


若是你如今就去看 GB2312的编码表，我估计你仍是看不懂，虽说经过区位码就能定位到GB2312编码的字符了。可是GB2312编码表上并没那么单纯。 还要继续往下看。

上面咱们说的是GB2312的  区位码： 区号和位号。   前面我说过，一个GB2312的字符 是用两个字节来表示的：(高位字节，低位字节)。第一个字节称为“高位字节” ，第二个字节称为“低位字节”  ps:由于高的通常排左边吧~  因此叫 高位字节....    。
算法以下： 一个GB2312的字符  ==  (0xA0 + 区号，0xA0 + 位号)。按照这个算法，你再取看 GB2312编码表，你就看得如鱼得水了。

0xA0 是啥意思呢？  为啥高位字节 等于 区号 加上  0xA0 。  为啥低位字节 等于 位号 加上 0xA0呢。这样组合起来的两个字节就能表示一个 GB2312的字符？  没错，就是那么简单。 0xA0 是一个16进制数字  换算成 十进制其实就等于 160 。   高位字节 等于  160 加上 区号，你能够理解为，其实就是 GB2312编码字符 是从 160 起步的。 就比如 ASCII 编码是从 0开始  到  127 结束。    

咱们从新来看下算法  ： 一个GB2312的字符  ==  (0xA0 + 区号，0xA0 + 位号) 。
以 上所看，只要咱们知道 区位码（区号和位号）就能算出一个汉字的GB2312编码数字。 字母a 的区位码 ： 0365 ，也就是区号 03   位号 65 。  按照上面算法咱们算下。 把 0xA0 换成十进制  等于 160。 也就是 (160+03,160+65)    等于   (163,225) 换成 16进制(编码表通常都是16进制)  (A3,E1) 。   OK了。   字母a 的gb2312编码 出来了，拿着   A3E1去  GB2312编码表去找这个16进制数字对应的字符吧。 若是你没看错的话，没错就是对应着 编码表上的字母 a 。  
因此， 只要记得 上面公式， 找个工具算出汉字区位码，而后套进公式里面算下。就能的到这个字符的GB2312编码值了。  你们能够本身动手去试试算出上面的汉字 “啊”  的GB2312的编码值。

小总结一下，你们记住：
ASCII 编码的范围  --   十进制 => 0 - 127 。  十六进制： 0x00  -  0x7F 。
GB2312编码的范围  --   十进制 => 高位字节：161 - 247 。十六进制：0xA1 - 0xF7  ， 低位字节：  161 - 254 。十六进制：0xA1 - 0xFE  。

GBK 编码：
GB2312 之上的一种扩展编码，GBK 编码已经包括了GB2312编码，并扩展了GB2312编码，使它能表示更多的字符。  GB2312和GBK 原理同样，他们区别只是，编码值范围不同了。 GBK 更大了。
GB2312 编码值范围 ：   高字节从A1到F7，而低位字节从A1到FE。
GBK 编码值范围：  高字节从81到FE，而低位字节从40到FE 。

以上范围能够看出。GBK 比  GB2312大不少。   大是大了不少... 不过如今通常项目都用UTF-8编码了。 接下来将下UTF-8编码方式

UTF-8编码：
世 界上那么多国家，每一个国家的语言都不同。一会出个 ASCII 一会出个 GBK 一会出个 XXOO 编码。那崩溃了。是否能发明一种编码方式，能很好的表示出全部语言呢？ Unicode编码就是这样产生的。这里咱们只讲Unicode中得一种实现方式。UTF-8，固然还有其余的实现方式。但对于咱们WEB开发来讲，并不 经常使用。


ASCII 编码能很好的表示字母、数字等。因此UTF-8 就在它的基础上进行了一下扩展。  按照惯例，咱们仍是先看下 Unicode编码 表(UTF8编码表？木有。咱们须要掌握如何从Unicode 转换成 utf8)

学习这节的目的

• 掌握从Unicode 转换成utf8编码的方法
• 判断UTF-8下的字符的字节数。  看下表：
•  

unicode 字节位表

unicode 编码范围 十进制／十六进制	UTF-8 字节模板二进制／十六进制	字节数
(0)000000 – (127)00007F	0xxxxxxx(00-7F)	一字节
(128)000080 – (2047)0007FF	110xxxxx(C2-DF)      10xxxxxx	两个字节
(2048)000800 – (55295)00D7FF (57344)00E000 – (65535)00FFFF	1110xxxx(E0-EF)     10xxxxxx     10xxxxxx	三个字节
(65536)010000 – (1114111)10FFFF	11110xxx(F0-F4) 10xxxxxx 10xxxxxx 10xxxxxx	四个字节

这个表很重要，记下这个表就基本了解了UTF-8 是怎么一回事。  UTF-8 一共能用四个字节来表示。 但通常字符呢基本用三个字节就能知足了。

一个字节等于8位。这个你们都知道。   从 00000000   -   11111111    这个就是一个字节的数值范围。   换算成十进制就是  0  -  255 。  懂了这个咱们继续往下讲。


继续看上图，   咱们慢慢讲：

UTF-8中之 一字节：

在UTF-8里面对ASCII 编码进行了保留而后再它之上进行了扩展补充。 一个字节 存的 仍是字母呀  数字呀 和ASCII 编码同样。因此 编码范围也是   0  -  127 。
有 点同窗纳闷为啥是  127 呢？ 一个字节换算成二进制不是 255吗？  由于一字节的时候，第一位给借去了，第一位的值为 固定为0   。你们看上图第一行 “UTF-8字节模板“ 这一列 就明白了。因此其实只有7位是用来表示字符。那么 换算了下 7位  的二进制 就只有   0  -  127  了。 这个几乎和ASCII 编码同样，  想知道0  -  127 都分别对应了什么字符？ 看ASCII 编码表呀。

UTF-8 之两字节：
一 个字节 8位，两个字节就16位了。哇！值更大了，能表示的字符更多了。因此什么希腊字母呀、拉丁字母呀等均可以用两字节来表示了。 看 第二行的 ”UTF-8字节模板“ 这一列 。110xxxxx      10xxxxxx          一共有16位， 每8位一个字节。 你们知道，在一个字节的时候，第一位是不能用的。  两个字节的时候稍微不一样了。 在两个字节的时候， 第一个字节的前三位给借去了，同时第二个字节的前两位也是给借去了。    恩在这里，咱们只要明白一个地方就行。   UTF-8 编码中 当字符是两个字节表示的时候，第一个字节的编码值范围是多少？    第一个字节是 ： 110xxxxx   。   那么也就是范围从   11000000  -  11011111     换成十六进制范围是   C2  -   DF  。   恩懂这一点，就足够了。  之后遇到 写 UTF-8编码 下的 截取 函数 、统计长度函数 就不用怕了。



UTF-8 之三字节：
三 个字节表示，是咱们用的最多的，由于俺们写中文的嘛。  不过这里注意下就是 ，三字节下的借位状况。  继续看上图 。   1110xxxx(E0-EF)     10xxxxxx     10xxxxxx     看到了吗？你懂的~ 若是还不懂...仍是继续重头看起吧。  UTF-8 下 一个字符三字节的。  第一个字节 的范围是多少? 这个必须弄清楚。 范围是从   11100000  -  11101111   十六进制是： E0   -  EF  。  



UTF-8 之四字节：
这个遇到真很少。 不过道理  你真懂了。我就不说了

好了。咱们完成了一个目标了 ： 判断UTF-8下的字符的字节数。好比之后开发你遇到：
对 于这段文字 ：  "逆雪寒之PHP拾遗"        。 我要在UTF-8下统计它的字符长度  和  实现截取字符窜。   应该没那么心慌了。  固然有人说，统计字符长度和截取中文字符窜不是很简单吗？mb_strlen 、 mb_substr 。 的确是能够呀。 但我想咱们要知其然知其因此然 。 咱们的目标是 PHP产品级研发。 不是 PHP企业网站级研发  -_-! 。



接下来完成另一个目标： 掌握从Unicode 转换成utf8编码的方法


我 们继续看 unicode 字节位表  。 看第一列    unicode 编码范围 。 四个字节，因此就有四个范围 。 看这个  (0)000000 – (127)00007F       十进制从 0 开始到  127  。这个就是第一字节的unicode 范围。  其余的也是同一个意思。
明白了上面讲的之后，如今开始讲 unicode 编码转换 UTF-8的流程：

咱们用 “啊” 这个汉字为例，它的 Unicode 编码是  U+554A （怎么知道的？查 unicode 编码表呀 大哥...） 。 而后咱们转成UTF-8 ：

• U+554A 换成十进制是  21834  。 比对  上面的  unicode 字节位表 的第一列  。看到  21834 是在  三个字节的  (2048)000800 – (55295)00D7FF  范围以内。  由于  “啊”  在UTF-8 里是三个字节的。

• 三个字节 的UTF-8模板  是(看 unicode 字节位表 )   1110xxxx      10xxxxxx     10xxxxxx      。

• "啊“  的   U+554A换算成二进制是 ： 1010  101010 01010

• 把15位二进制按照顺序的填入(不足最后补0)  三字节的 UTF-8 模板里面  。也就是    11101010  10101010  10010100   。    第三字节 不足位，因此最后补0.

• 最后结果 ，0xEA  0xAA  0x94  这三个就是 ”啊“  字的UTF-8编码了。

附送： Unicode  编码表  http://wenku.baidu.com/view/01a4feeae009581b6bd9ebe1.html      




终 于讲完了编码。。。 那么回过头来。。讲了那么多废话就是为了解释。 为啥 PHP能用中文来作变量名。 PHP官方文档给的 变量名正则表达式'[a-zA-Z_\x7f-\xff][a-zA-Z0-9_\x7f-\xff]*' 。 里面的\x7f \xff 我想你们都明白了吧。。。 \x7f - \xff 的十进制是： 127 - 255。 那么按照咱们以前上面讲的那些 编码规则~ 每一个字节的编码 都是在 127 - 255范围以内对吧？除了一字节。 那么也就是说 中文不管是GBK GB2312 仍是UTF-8编码的， 用来作变量名都是符合了'[a-zA-Z_\x7f-\xff][a-zA-Z0-9_\x7f-\xff]*' 这条正则的。 接下来咱们也不要浪费了前面所学了哪些编码知识。。咱们要应用，咱们要深刻了解...因此开始写两个函数，估计你们都在开源的代码。好比啥 phpcms 啥 uchome discuz 里面 看到过相似这些函数。没错~~！ 理解完上面的编码知识。我相信 这些对你来讲~~ 小菜一碟...

复制代码

1. //截取字符串字串-GBK (PHP)        
2. function  gb_substr( $str ,  $len ){        
3.       $count  = 0;        
4.       for ( $i =0;  $i < strlen ( $str );  $i ++){        
5.           if ( $count  ==  $len )  break ;        
6.           if (preg_match( "/[\x80-\xff]/" ,  substr ( $str ,  $i , 1))) ++ $i ;        
7.            ++ $count ;                
8.      }        
9.       return   substr ( $str , 0,  $i );        
10. }

 

复制代码

1. //统计字符串长度-UTF8 (PHP)        
2. function  utf8_strlen( $str ) {        
3.       $count  = 0;        
4.       for ( $i  = 0;  $i  <  strlen ( $str );  $i ++){        
5.           $value  = ord( $str [ $i ]);        
6.           if ( $value  > 127) {      
7.               if ( $value  >= 194 &&  $value  <= 223)  $i ++;        
8.               elseif ( $value  >= 224 &&  $value  <= 239)  $i  =  $i  + 2;        
9.               elseif ( $value  >= 240 &&  $value  <= 247)  $i  =  $i  + 3;        
10.               else   die ( 'Not a UTF-8 compatible string' );        
11.          }        
12.           $count ++;        
13.      }        
14.       return   $count ;        
15. }