Question

对不起，如果我问明显的话，但我似乎无法为简单的任务找到合适的解决方案。在输入上，我有一个由用户提供的字符串，用UTF-8编码编码。我需要删除除0x20（或标签符号）之外的所有低于0x7（或空格）的字符进行清理。

以下适用于ANSI字符串，但不适用于UTF-8：

$newName = "";
$ln = strlen($name);
for($i = 0; $i < $ln; $i++)
{
    $ch = substr($name, $i, 1);
    $och = ord($ch);
    if($och >= 0x20 ||
        $och == 0x9)
    {
        $newName .= $ch;
    }
}

它完全错过了UTF-8编码的字符并将它们视为字节。我一直在寻找人们建议使用mb_功能的帖子，但这对我没有帮助。（例如，我尝试调用mb_strlen($name, "utf-8");而不是strlen，但它仍然返回BYTEs中字符串的长度而不是字符。）

知道如何在PHP中执行此操作吗？

PS。对不起，我的PHP有些生疏。

Answer 1

如果您使用多字节功能（mb_），则必须将它们用于所有内容。在此示例中，您应使用mb_strlen()和mb_substr()。

它无法正常工作的原因可能是因为您使用的是ord()。它仅适用于ASCII值：

ord
(PHP 4, PHP 5)
ord — Return ASCII value of character
...
Returns the ASCII value of the first character of string.

换句话说，如果你将一个多字节字符扔进ord()，它只会使用第一个字节，然后扔掉其余的字符。

Answer 2

哇，PHP是一种混乱的语言。这对我有用（但是对于更长的一段文本来说会运行多慢......）：

function normalizeName($name, $encoding_2_use, $encoding_used)
{
    //'$name' = string to normalize
    //          INFO: Must be encoded with '$encoding_used' encoding
    //'$encoding_2_use' = encoding to use for return string (example: "utf-8")
    //'$encoding_used' = encoding used to encode '$name' (can be also "utf-8")
    //RETURN:
    //      = Name normalized, or
    //      = "" if error
    $resName = "";

    $ln = mb_strlen($name, $encoding_used);
    if($ln !== false)
    {
        for($i = 0; $i < $ln; $i++)
        {
            $ch = mb_substr($name, $i, 1, $encoding_used);

            $arp = unpack('N', mb_convert_encoding($ch, 'UCS-4BE', $encoding_used));
            if(count($arp) >= 1)
            {
                $och = intval($arp[1]);    //Index 1?! I don't understand why, but it works...
                if($och >= 0x20 || $och == 0x9)
                {
                    $ch2 = mb_convert_encoding('&#'.$och.';', $encoding_2_use, 'HTML-ENTITIES');
                    $resName .= $ch2;
                }
            }
        }
    }

    return $resName;
}

在PHP中解析UTF-8字符串char-by-char

2 个答案: