如何将unicode代码点转换为十六进制HTML实体？

Question

我有一个数据文件（确切地说是一个Apple plist），它有Unicode codepoints，例如\U00e8和\U2019。我需要使用PHP将它们转换为有效的十六进制HTML entities。

我现在正在做的是一长串：

 $fileContents = str_replace("\U00e8", "è", $fileContents);
 $fileContents = str_replace("\U2019", "’", $fileContents);

这显然是可怕的。我可以使用正则表达式将\U和所有尾随0s转换为&#x，然后坚持尾随;，但这似乎也很苛刻。

是否有一种干净，简单的方法来获取字符串，并将所有unicode代码点替换为HTML实体？

Answer 1

这是一个正确的答案，它处理的是这些是代码单元，而不是代码点，并允许取消编码补充字符。

function unenc_utf16_code_units($string) {
    /* go for possible surrogate pairs first */
    $string = preg_replace_callback(
        '/\\\\U(D[89ab][0-9a-f]{2})\\\\U(D[c-f][0-9a-f]{2})/i',
        function ($matches) {
            $hi_surr = hexdec($matches[1]);
            $lo_surr = hexdec($matches[2]);
            $scalar = (0x10000 + (($hi_surr & 0x3FF) << 10) |
                ($lo_surr & 0x3FF));
            return "&#x" . dechex($scalar) . ";";
        }, $string);
    /* now the rest */
    $string = preg_replace_callback('/\\\\U([0-9a-f]{4})/i',
        function ($matches) {
            //just to remove leading zeros
            return "&#x" . dechex(hexdec($matches[1])) . ";";
        }, $string);
    return $string;
}

Answer 2

您可以使用preg_replace：

preg_replace('/\\\\U0*([0-9a-fA-F]{1,5})/', '&#x\1;', $fileContents);

测试RE：

PS> 'some \U00e8 string with \U2019 embedded Unicode' -replace '\\U0*([0-9a-f]{1,5})','&#x$1;'
some è string with ’ embedded Unicode