浅谈用php对unicode转utf-8编码

(IT柏拉图 原创文章)如果只是unicode转utf-8编码的算法，网上到处都是了，不过很多人也是你抄我，我抄你，根本就不理解why和do，本文除了给出最简单的php对unicode转utf-8编码函数之外，也深入讨论了这两种编码的关系，理解好了会发现网上一些旧的东西，是严重多余兼过期的，因为从utf-8流行开始到现在，早已经由原来六字节可变编码到实际完全居于unicode(UCS-2)的稳定阶段。

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：

/*
 * 参数 $c 是unicode字符编码的int类型数值，如果是用二进制读取的数据，在php中通常要用 hexdec(bin2hex( $bin_unichar )) 这样转换
 */
function uni2utf8( $c )
{
  if ($c < 0x80)
  {
        $utf8char = chr($c);
  }
  else if ($c < 0x800)
  {
        $utf8char = chr(0xC0 | $c >> 0x06).chr(0x80 | $c & 0x3F);
  }
  else if ($c < 0x10000)
  {
        $utf8char = chr(0xE0 | $c >> 0x0C).chr(0x80 | $c >> 0x06 & 0x3F).chr(0x80 | $c & 0x3F);
  }
  //因为UCS-2只有两字节，所以后面的情况是不可能出现的，这里只是说明unicode HTML实体编码的用法。
  else
  {
        $utf8char = "&#{$c};";
  }
  return $utf8char;
}

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：

utf-8 > unicode(UCS-2) > gb18030 > gbk > gb2312

因此，如果编码都正确的情况下

gb2312 => gbk => gb18030 => unicode(UCS-2) => utf-8

这样的一个转变过程，基本上是无损的，但反而言之，由

utf-8 => unicode(UCS-2) => gb18030=> gbk => gb2312

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。