GD輸出漢字的函數的分析

    很早以前找到一個把GB碼轉化為UTF-8的函數，配合一個GB到UNICODE的對照表（gb2312.txt），用于在GD中輸出漢字。后來發現在欲輸出的內容中含有西文字符時，會出現混亂。后來找到了修改后的代碼，解決了問題?，F將兩個函數做一對比分析如下。

首先，這是一個UNICODE到UTF-8編碼轉換的函數，這一部分修改前后沒有變化：
function u2utf8($c)
{
for($i=0;$i<count($c);$i++)
$str="";
if ($c < 0x80) {
$str.=$c;
}
else if ($c < 0x800) {
$str.=(0xC0 | $c>>6);
$str.=(0x80 | $c & 0x3F);
}
else if ($c < 0x10000) {
$str.=(0xE0 | $c>>12);
$str.=(0x80 | $c>>6 & 0x3F);
$str.=(0x80 | $c & 0x3F);
}
else if ($c < 0x200000) {
$str.=(0xF0 | $c>>18);
$str.=(0x80 | $c>>12 & 0x3F);
$str.=(0x80 | $c>>6 & 0x3F);
$str.=(0x80 | $c & 0x3F);
}
return $str;
}

這里完全是按照UTF-8編碼的規則，通過判斷字符屬于不同的UNICODE編碼段范圍，進行不同的移位和位與操作，以轉化為UTF-8編碼。關于該規則可參考http://www.utf8.org/上的說明。

這是修改前的GB轉化為UTF-8編碼的函數，其中調用了上面的u2utf8函數。
function gb2utf8($gb)     /* Program writen by sadly www.phpx.com  */
{
if(!trim($gb))
return $gb;
$filename="gb2312.txt";
$tmp=file($filename);
$codetable=array();
while(list($key,$value)=each($tmp))
$codetable[hexdec(substr($value,0,6))]=substr($value,7,6);
$utf8="";
while($gb)
{
if (ord(substr($gb,0,1))>127)
{
$this=substr($gb,0,2);
$gb=substr($gb,2,strlen($gb));
$utf8.=u2utf8(hexdec($codetable[hexdec(bin2hex($this))-0x8080]));
}
else
{
$gb=substr($gb,1,strlen($gb));
$utf8.=u2utf8(substr($gb,0,1));
}
}

$ret="";
for($i=0;$i<strlen($utf8);$i+=3)
$ret.=chr(substr($utf8,$i,3));

return $ret;
}
函數中while循環部分，把漢字逐個按照“對照表”轉化為UNICODE，再通過u2utf8函數轉化為UTF-8。但從中可以看出，while循環結束后，又用一個for循環，把每三個字節合成了一個UTF-8字符（見http://www.utf8.org/上的規則說明，每個漢字的UTF-8編碼為三字節），沒有考慮到其中的西文字符（西文字符的UTF-8編碼為一字節）。所以，如果欲輸出的內容中不論是開始時出現西文字符，或是漢字當中穿插西文字符，轉化為UTF-8后，都會被按照“每三個字節截取”的方式截開，導致亂碼。


以下是修改后的函數：
function gb2utf8($gb)    /* Program writen by sadly   modified by agun */
{
if(!trim($gb))
return $gb;
$filename="gb2312.txt";
$tmp=file($filename);
$codetable=array();
while(list($key,$value)=each($tmp))
$codetable[hexdec(substr($value,0,6))]=substr($value,7,6);

$ret="";
$utf8="";
while($gb)
{
if (ord(substr($gb,0,1))>127)
{
$this=substr($gb,0,2);
$gb=substr($gb,2,strlen($gb));
$utf8=u2utf8(hexdec($codetable[hexdec(bin2hex($this))-0x8080]));
for($i=0;$i<strlen($utf8);$i+=3)
$ret.=chr(substr($utf8,$i,3));
}
else
{
$ret.=substr($gb,0,1);
$gb=substr($gb,1,strlen($gb));
}
}
return $ret;
}

修改后的函數將 GB轉化為UNICODE、UNICODE轉化為UTF-8、幾個字節合成一個UTF-8字符，這三個步驟在一個循環里完成，尤其是幾個字節合成一個UTF-8字符這一步驟，放在判斷了字符屬于西文還是屬于漢字的條件分支里，據此決定截取一個字節還是三個字節。于是結果正確了！

原文轉自：http://www.kjueaiud.com