PHP实现Unicode和Utf-8互相转换

  一. 编码原理及实现

  unicode编码是实现utf-8与gb系列编码(gb2312、gbk、gb18030)转换的基础，虽然我们也可以直接做一个utf-8到这些编码 的对照表，但很少有人会这么做，因为utf-8的可变编码具有不确定性，因此一般情况使用都是unicode与gb编码的对照 表，unicode(UCS-2)实际上是utf-8的基础编码，utf-8只是它的一种实现而已，两者存在下面的对应关系：

Unicode符号范围           | UTF-8编码方式

u0000 0000 - u0000 007F   | 0xxxxxxx

u0000 0080 - u0000 07FF   | 110xxxxx 10xxxxxx

u0000 0800 - u0000 FFFF   | 1110xxxx 10xxxxxx 10xxxxxx

  由于目前utf-8使用的字符都是居于UCS-2的，因此对于4-6字节编码的情况是不必考虑的，同样地，在反向转换的时候，如果出现四字节以上的 utf-8字符，可以直接视为乱码忽略掉或转为unicode实体形式("&#long int;"形式)，然后交给浏览器或相关解析程序去处理，用php把unicode转为utf-8编码的算法如下：

在目前的环境范围内，可以认为 utf-8字符集==unicode(UCS-2)，但从理论上，主要字符集之关的包含关系如下：

因此，如果编码都正确的情况下：

这样的一个转变过程，基本上是无损的，但反而言之，由

这样的转变过程，是很可能存在不能识别的字符的，因此，如果对于使用utf-8编码的系统，尽量不要轻易的去做反向转换编码的操作。

二. 用PHP将Unicode 转化为UTF-8另外一种方法:

Linux 服务器上 UCS-2 编码方式与 Winodws 不一致,以下是有关两个平台 UCS-2 编码的潜规则：

1. UCS-2 不等于 UTF-16。 UTF-16 每个字节使用 ASCII 字符范围编码，而 UCS-2 对每个字节的编码可以超出 ASCII 字符范围。UCS-2 和 UTF-16 对每个字符至多占两个字节，但是他们的编码是不一样的。

2. 对于 UCS-2, windows 下默认是 UCS-2LE。用 MultibyteToWidechar（或者A2W）生成的是 UCS-2LE 的 unicode。windows记事本可以将文本保存为 UCS-2BE，相当于多了层转换。

3. 对于 UCS-2, linux 下默认是 UCS-2BE。用iconv(指定UCS-2)来转换生成的是 UCS-2BE 的 unicode。如果转换windows平台过来的 UCS-2, 需要指定 UCS-2LE。

4. 鉴于windows和linux等多个平台对 UCS-2 的理解不同（UCS-2LE,UCS-2BE）。MS 主张 unicode 有个引导标志(UCS-2LE FFFE, UCS-2BE FEFF)，以表明下面的字符是 unicode 并且判别 big-endian 或 little-endian。 所以从 windows 平台过来的数据发现有这个前缀，不用慌张。

5. linux 的编码输出，比如从文件输出，从 printf 输出，需要控制台做适当的编码匹配（如果编码不匹配，一般和该程序编译时的编码有若干关系），而控制台的转换输入需要查看当前的系统编码。比如控制台当前 的编码是 UTF-8, 那么 UTF-8 编码的东西能正确显示，GBK 就不能；同样，当前编码是 GBK, 就能显示 GBK 编码，后来的系统应该更智能的处理好更多的转换了。不过通过 putty 等终端还是需要设置好终端的编码转换以解除乱码的烦恼。

三.再提供一对PHP中对汉字进行UNICODE完整的编码和解码的实现供参考:

/**
* 将内容进行UNICODE编码，如中文字符串"图片" 转为"\u56fe\u7247"
* @param string $name 要转换的中文字符串
* @param string $in_charset 输入中文编码，默认为uft8
* @param string $out_charset 输出unicode编码，'UCS-2BE'或'UCS-2LE'
* Linux 服务器上 UCS-2 编码方式与 Winodws 不一致，linux编码为UCS-2BE，windows为UCS-2LE，即big-endian和little-endian
* @return string
*/
function unicode_encode($name,$in_charset='UTF-8',$out_charset='UCS-2BE')
{
$name = iconv($in_charset, $out_charset, $name);
$len = strlen($name);
$str = '';
for ($i = 0; $i < $len - 1; $i = $i + 2){
$c = $name[$i];
$c2 = $name[$i + 1];
if (ord($c) > 0){    // 两个字节的文字
$str .= '\u'.base_convert(ord($c), 10, 16).base_convert(ord($c2), 10, 16);
}
else{
$str .= $c2;
}
}
return $str;
}

/**
* 将UNICODE编码后的内容进行解码，如unicode字符串："\u56fe\u7247" 转为"图片"
* @param string $name 要转换的unicode字符串
* @param string $out_charset 输出编码，默认为utf8
* @param string $in_charset 输入unicode编码，Linux 服务器上 UCS-2 编码方式与 Winodws 不一致，
* linux编码为UCS-2BE，windows为UCS-2LE，即big-endian和little-endian
* @return string
*/
function unicode_decode($name,$out_charset='UTF-8',$in_charset='UCS-2BE')
{
// 转换编码，将Unicode编码转换成可以浏览的utf-8编码
$pattern = '/([\w]+)|(\\\u([\w]{4}))/i';
preg_match_all($pattern, $name, $matches);
if (!empty($matches)){
$name = '';
for ($j = 0; $j < count($matches[0]); $j++){
$str = $matches[0][$j];
if (strpos($str, '\\u') === 0){
$code = base_convert(substr($str, 2, 2), 16, 10);
$code2 = base_convert(substr($str, 4), 16, 10);
$c = chr($code).chr($code2);
$c = iconv($in_charset, $out_charset, $c);
$name .= $c;
}
else{
$name .= $str;
}
}
}
return $name;
}

原帖地址：https://my.oschina.net/u/2444569/blog/514464