توابع کار با رشته های با یونیکد UTF-8

۵ 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

    تبدیل رشته به فرمت خاص...

    با استفاده از تابع زیر رشته مورد نظر را به فرمت خاص تبدیل نمایید. این تابع برای تبدیل شماره تلفنها و ... مناسب است. به مثال مورد نظر توجه نمایید......

    تابع ()ceil در php...

    تابع ()ceil عدد ورودی را به بزرگترین عدد صحیح گرد می کند. برای فهم بیشتر از کاربرد تابع ، مثالهای زیر را ببینید......

    بررسی کردن وجود اندیس در آرایه تو در تو در زبان php...

    گاهی لازم است وجود یک اندیس در یک آرایه تو در تو را مشخص کرد. تابع زیر به این درخواست ما پاسخ میدهد و وجود اندیس درخواستی ما را در تو در تو ترین آرایه جستجو میکند......

    تغییر ابعاد تصویر با رعایت نسبت طول به عرض...

    این تابع تصاویر با فرمت یا پسوند jpg یا jpeg را به ابعاد دلخواه تغییر می دهد. یعنی با min یا max مشخص می کنید که رو به افزایش باشد یا خیر. هر گاه max انتخاب شود به این معنی خواهد بود که طول تصویر شما ...

    نظر

    نظری ثبت نشده است.
    captcha image reload