توابع کار با رشته های با یونیکد UTF-8

۶ سال پیش(به روز شده در ۴ سال پیش) پی اچ پی(PHP)(توابع) ۰

هدف پروژه مورد نظر , ایجاد توابعی است که با رشته های UTF-8 کار می کند. بعنوان مثال بخشی از کلاس را ببینید(تابع بررسی صحت رشته UTF-8):

/**
 * Tools for validing a UTF-8 string is well formed.
 * The Original Code is Mozilla Communicator client code.
 * The Initial Developer of the Original Code is Netscape Communications Corporation.
 * Portions created by the Initial Developer are Copyright (C) 1998 the Initial Developer. All Rights Reserved.
 * Ported to PHP by Henri Sivonen (http://hsivonen.iki.fi)
 * Slight modifications to fit with phputf8 library by Harry Fuecks (hfuecks gmail com)
 *
 * @see http://lxr.mozilla.org/seamonkey/source/intl/uconv/src/nsUTF8ToUnicode.cpp
 * @see http://lxr.mozilla.org/seamonkey/source/intl/uconv/src/nsUnicodeToUTF8.cpp
 * @see http://hsivonen.iki.fi/php-utf8/
 * @package php-utf8
 * @subpackage utils
 */
/**
 * Tests a string as to whether it's valid UTF-8 and supported by the Unicode standard
 *
 * @author <hsivonen@iki.fi>
 * @see http://hsivonen.iki.fi/php-utf8/
 * @see utf8_compliant
 * @param string $str UTF-8 encoded string
 * @return boolean TRUE if valid
 */
function utf8_is_valid($str)
{
    $mState = 0; // Cached expected number of octets after the current octet
    // until the beginning of the next UTF8 character sequence
    $mUcs4 = 0; // Cached Unicode character
    $mBytes = 1; // Cached expected number of octets in the current sequence
    $len = strlen($str);
    for ($i = 0; $i < $len; $i++)
    {
        $in = ord($str{$i});
        if ($mState == 0)
        {
            // When mState is zero we expect either a US-ASCII character or a multi-octet sequence.
            if (0 == (0x80 & ($in)))
                $mBytes = 1; // US-ASCII, pass straight through
            elseif (0xC0 == (0xE0 & ($in)))
            {
                // First octet of 2 octet sequence
                $mUcs4 = ($in);
                $mUcs4 = ($mUcs4 & 0x1F) << 6;
                $mState = 1;
                $mBytes = 2;
            } elseif (0xE0 == (0xF0 & ($in)))
            {
                // First octet of 3 octet sequence
                $mUcs4 = ($in);
                $mUcs4 = ($mUcs4 & 0x0F) << 12;
                $mState = 2;
                $mBytes = 3;
            } elseif (0xF0 == (0xF8 & ($in)))
            {
                // First octet of 4 octet sequence
                $mUcs4 = ($in); 
                $mUcs4 = ($mUcs4 & 0x07) << 18;
                $mState = 3;
                $mBytes = 4;
            } elseif (0xF8 == (0xFC & ($in)))
            {
                /* First octet of 5 octet sequence.
                *
                * This is illegal because the encoded codepoint must be either
                * (a) not the shortest form or
                * (b) outside the Unicode range of 0-0x10FFFF.
                * Rather than trying to resynchronize, we will carry on until the end
                * of the sequence and let the later error handling code catch it.
                */
                $mUcs4 = ($in);
                $mUcs4 = ($mUcs4 & 0x03) << 24;
                $mState = 4;
                $mBytes = 5;
            } elseif (0xFC == (0xFE & ($in)))
            {
                // First octet of 6 octet sequence, see comments for 5 octet sequence.
                $mUcs4 = ($in);
                $mUcs4 = ($mUcs4 & 1) << 30;
                $mState = 5;
                $mBytes = 6;
            } else
            {
                // Current octet is neither in the US-ASCII range nor a legal first octet of a multi-octet sequence.
                return false;
            }
        } else
        {
            // When mState is non-zero, we expect a continuation of the multi-octet sequence
            if (0x80 == (0xC0 & ($in)))
            {
                // Legal continuation.
                $shift = ($mState - 1) * 6;
                $tmp = $in;
                $tmp = ($tmp & 0x0000003F) << $shift;
                $mUcs4 |= $tmp;
                /**
                 * End of the multi-octet sequence. mUcs4 now contains the final
                 * Unicode codepoint to be output
                 */
                if (0 == --$mState)
                {
                    /*
                    * Check for illegal sequences and codepoints.
                    */
                    // From Unicode 3.1, non-shortest form is illegal
                    if (((2 == $mBytes) && ($mUcs4 < 0x0080)) || ((3 == $mBytes) && ($mUcs4 < 0x0800)) ||
                        ((4 == $mBytes) && ($mUcs4 < 0x10000)) || (4 < $mBytes) ||
                        // From Unicode 3.2, surrogate characters are illegal
                        (($mUcs4 & 0xFFFFF800) == 0xD800) ||
                        // Codepoints outside the Unicode range are illegal
                        ($mUcs4 > 0x10FFFF))
                    {
                        return false;
                    }
                    // Initialize UTF8 cache
                    $mState = 0;
                    $mUcs4 = 0;
                    $mBytes = 1;
                }
            } else
            {
                /**
                 * ((0xC0 & (*in) != 0x80) && (mState != 0))
                 * Incomplete multi-octet sequence.
                 */
                return false;
            }
        }
    }
    return true;
}
/**
 * Tests whether a string complies as UTF-8. This will be much faster than
 * utf8_is_valid, but will pass five and six octet UTF-8 sequences,
 * which are not supported by Unicode and so cannot be displayed correctly
 * in a browser.
 * In other words it is not as strict as utf8_is_valid but it's faster.
 * If you use is to validate user input, you place yourself at the risk
 * that attackers will be able to inject 5 and 6 byte sequences (which may
 * or may not be a significant risk, depending on what you are are doing)
 * Note: Does not pass five and six octet UTF-8 sequences anymore in the unit tests.
 *
 * @see utf8_is_valid
 * @see http://www.php.net/manual/en/reference.pcre.pattern.modifiers.php#54805
 * @param string $str UTF-8 string to check
 * @return boolean TRUE if string is valid UTF-8
 */
function utf8_compliant($str)
{
    if (empty($str))
        return true;
    // If even just the first character can be matched, when the /u
    // modifier is used, then it's valid UTF-8. If the UTF-8 is somehow
    // invalid, nothing at all will match, even if the string contains
    // some valid sequences
    return preg_match('/^.{1}/us', $str, $ar) == 1;
}

و دیگر توابع شامل: utf8_str_ireplace , utf8_ord , utf8_substr_replace , utf8_ucfirst , utf8_ltrim و ... .

لینک: https://github.com/fluxbb/utf8

در بخش آخر نیز کلیه کدها جهت دانلود ضمیمه این مطلب شده است.

برچسبها

هیچ برچسبی موجود نیست.

فایلهای پیوست شده

  • دانلود  ۴۱.۳۱ کیلو بایت (utf8.zip) - توابع کار با رشته های با یونیکد UTF-8 در PHP
  • صفحات پیشنهادی

    تابع بررسی صحت شماره تلفن...

    با استفاده از تابع زیر صحت فرمت شماره تلفن بررسی و در صورت صحیح بودن مقدار True را بر می‌گرداند. function is_valid_phone( $phone ) // goal: chek if a phone numbers is valid, according to its syn...

    نمایش نام با فرمت مناسب(گسترش تابع ucwords)...

    تابع ucwords برای بزرگ کردن حروف ابتدای کلمات یک رشته بکار می رود. البته زمانی این تابع کاربرد دارد که فاصله بین کلمات فضای خالی باشد(مثلا خط تیره را نیز جز کلمه بحساب می آورد). حال زمانیکه فاصله بین ...

    گرفتن زیرمجموعه های شناسه یک آرایه از کل آرایه به صورت تو در تو...

    مدتی قبل برای گروه ما در یکی از پروژه ها به تابعی نیاز شد که هر چند جز کدهای ساده ایست اما کارهای بزرگی انجام میدهد. تابع زیر تمامی زیرمجموعه های یک شناسه بصورت تو در تو رو را شناسایی میکند. برای درک ...

    جدا کردن 3 رقم 3 رقم اعداد جهت نمایش مقادیر پولی در php...

    هر چند در php تابعی بنام number_format جهت انجام اینکار وجود دارد اما درج تابع دستی آن نیز خالی از لطف نیست....

    نظر

    نظری ثبت نشده است.
    captcha image reload