Question

我需要将带有未知编码的上传文件名转换为Windows-1252，同时保持UTF-8兼容性。

当我将这些文件传递给控制器（我没有任何影响）时，文件必须是Windows-1252编码的。然后，该控制器再次生成通过MySQL存储到数据库中的有效文件（名称）列表 - 因此我需要UTF-8兼容性。传递给控制器的文件名和写入数据库的文件名必须匹配。到目前为止一切都很好。

在极少数情况下，转换为“Windows-1252”（与te字符“ï”相似）时，该字符将转换为UTF-8中无效的字符。然后MySQL删除那些无效字符 - 因此磁盘上的文件名和存储到数据库的文件名不再匹配。这种转换有时会失败，只需简单的重新编码即可实现：

$sEncoding       = mb_detect_encoding($sOriginalFilename);
$sTargetFilename = iconv($sEncoding, "Windows-1252//IGNORE", $sOriginalFilename);

为了防止转换生成无效字符，我再次可以从重新编码的字符串中删除所有无效的UTF-8字符：

ini_set('mbstring.substitute_character', "none");
$sEncoding       = mb_detect_encoding($sOriginalFilename);
$sTargetFilename = iconv($sEncoding, "Windows-1252//TRANSLIT", $sOriginalFilename);
$sTargetFilename = mb_convert_encoding($sTargetFilename, 'UTF-8', 'Windows-1252');

但是这将完全删除/重新编码字符串中剩余的任何特殊字符。例如，我失去了所有“äöüÄÖÜ”等，这在德语中非常规律。

如果你知道一种更简洁的Windows-1252编码方式（不会丢失有效的特殊字符），请告诉我。

非常感谢任何帮助。提前谢谢！

Answer 1

您不能同时将字符串设置为Windows-1252和UTF-8。前128个字符的字符集是相同的（它们包含例如基本的拉丁字母），但是当它超出该字符集时（如同变形金刚），它可以是一个或另一个。它们在UTF-8中的代码点与在Windows-1252中的代码点不同。

Answer 2

我认为主要问题是mb_detect_encoding()并不完全符合您的想法。它试图检测字符编码，但它是从一个相当有限的预定义编码列表中完成的。默认情况下，这些编码是mb_detect_order()返回的编码。在我的电脑里，他们是：

ASCII
UTF-8

所以这个函数完全没用，除非你负责编译候选编码列表并用它来提供函数。

此外，基本上没有可靠的方法来猜测任意输入字符串的编码，即使您将自己局限于一小部分编码。在您的情况下，Windows-1252非常接近ISO-8859-1和ISO-8859-15，除了目视检查¤或€等关键字符外，您无法区分它们。

Answer 3

在文件系统中保持ASCII - 如果你需要在文件名中维持ASCII之外的字符，那么就有了您可以使用的方案来表示unicode字符，同时保持ASCII。

例如，百分比编码：

äöüÄÖÜ.txt＆lt; - ＆gt; %C3%A4%C3%B6%C3%BC%C3%84%C3%96%C3%9C.txt

当然，这会非常快速地达到文件名限制。

punycode怎么样？

äöüÄÖÜ.txt＆lt; - ＆gt; xn--4caa7cb2ac.txt

PHP编码转换为Windows-1252，同时保持UTF-8兼容性

3 个答案: