UTF-8 Kodierung sicherstellen

Diese Seite verwendet Cookies. Durch die Nutzung unserer Seite erklären Sie sich damit einverstanden, dass wir Cookies setzen. Weitere Informationen

  • Wer Inhalte aus fremden Quellen bezieht, hat häufig das Problem mit fehlenden oder gar fehlerhaften Angaben zur Zeichenkodierung. PHP bietet in aktueller Version (5.2) leider keine Hilfsmittel zum sicheren Umgang mit UTF-8 Zeichenketten.
    == Was wir wollen ==
    Die Anforderung ist einfach. Wir wollen einen UTF-8 String erhalten - egal welche Zeichenkodierung die Quelle hatte.

    Entweder der String ist korrekt und sieht folgendermaßen aus:

    Quellcode

    1. $string_correct = "umlaute läuten die wende ein.";


    Oder er ist falsch und sieht zum Beispiel so aus:

    Quellcode

    1. $string_wrong = "umlaute l�uten die wende ein.";


    == Anwenden der Funktion utf8_encode() auf fehlerhafte Kodierung ==
    Wenn wir wissen, dass die Eingabe fehlerhaft kodiert ist, dann fällt die Wahl einfach. Wir wenden die Funktion utf8_encode() also nur auf den falschen String an:

    Quellcode

    1. $string_wrong = "umlaute l�uten die wende ein.";
    2. echo utf8_encode($string_wrong);
    3. //Ausgabe = umlaute läuten die wende ein.


    == Anwenden der Funktion utf8_encode() auf korrekte Kodierung ==
    Doch was geschieht eigentlich wenn wir die Funktion utf8_encode() auf eine Zeichenkette anwenden, die bereits in UTF-8 vorliegt? Man könnte erwarten, dass wir weiterhin einen gültigen UTF-8 String erhalten, doch leider ist dem nicht so.

    Quellcode

    1. $string_correct = 'umlaute läuten die wende ein.';
    2. echo utf8_encode($string_correct);
    3. //Ausgabe = umlaute läuten die wende ein.


    == Erkennen ob UTF-8 verwendet wird ==
    Das Problem beschränkt sich also darauf zu erkennen ob der String in UTF-8 vorliegt. Dankenswerterweise liefert uns das PHP Manual die Lösung dazu und sagt uns welche Bit die Funktion utf8 selbst manipuliert.
    easy-coding.de/Attachment/490/…2400ba17e4af80f2cf5e82be1

    Wir erstellen also die folgende Funktion um zu erkennen ob es sich bei einem String um einen UTF-8 String handelt - die Lösung wurde bereits im Jahre 2004 von "bmorel at ssi dot fr" gepostet.

    Quellcode

    1. function seems_utf8($Str) {
    2. for ($i=0; $i<strlen($Str); $i++) {
    3. if (ord($Str[$i]) < 0x80) continue; # 0bbbbbbb
    4. else if ((ord($Str[$i]) & 0xE0) == 0xC0) $n=1; # 110bbbbb
    5. else if ((ord($Str[$i]) & 0xF0) == 0xE0) $n=2; # 1110bbbb
    6. else if ((ord($Str[$i]) & 0xF8) == 0xF0) $n=3; # 11110bbb
    7. else if ((ord($Str[$i]) & 0xFC) == 0xF8) $n=4; # 111110bb
    8. else if ((ord($Str[$i]) & 0xFE) == 0xFC) $n=5; # 1111110b
    9. else return false; // Does not match any model
    10. for ($j=0; $j<$n; $j++) {
    11. // n bytes matching 10bbbbbb follow ?
    12. if ((++$i == strlen($Str)) || ((ord($Str[$i]) & 0xC0) != 0x80)) {
    13. return false;
    14. }
    15. }
    16. }
    17. return true;
    18. }
    Alles anzeigen


    == Implementierung und Test ==
    Wir können die Funktion beliebig oft auf falsche und richtige String anwenden. Wir erhalten immer einen korrekten UTF-8-String

    Quellcode

    1. $string_correct = utf8_ensure($string_wrong);
    2. echo $string_correct;
    3. echo utf8_ensure(utf8_ensure(utf8_ensure($string_correct)));
    4. function seems_utf8($Str) {
    5. for ($i=0; $i<strlen($Str); $i++) {
    6. if (ord($Str[$i]) < 0x80) continue; # 0bbbbbbb
    7. else if ((ord($Str[$i]) & 0xE0) == 0xC0) $n=1; # 110bbbbb
    8. else if ((ord($Str[$i]) & 0xF0) == 0xE0) $n=2; # 1110bbbb
    9. else if ((ord($Str[$i]) & 0xF8) == 0xF0) $n=3; # 11110bbb
    10. else if ((ord($Str[$i]) & 0xFC) == 0xF8) $n=4; # 111110bb
    11. else if ((ord($Str[$i]) & 0xFE) == 0xFC) $n=5; # 1111110b
    12. else return false; // Does not match any model
    13. for ($j=0; $j<$n; $j++) {
    14. // n bytes matching 10bbbbbb follow ?
    15. if ((++$i == strlen($Str)) || ((ord($Str[$i]) & 0xC0) != 0x80)) {
    16. return false;
    17. }
    18. }
    19. }
    20. return true;
    21. }
    22. function utf8_ensure($str) {
    23. return seems_utf8($str)? $str: utf8_encode($str);
    24. }
    Alles anzeigen


    == Aktuelle Vorgehensweise ==
    Mit den PHP 4 Versionen >= 4.4.3 und den PHP 5 Versionen >= 5.1.3 wurde eine neue Methode eingeführt, die uns das lange Script erleichtert.
    Wenn garantiert werden kann, dass diese Versionen installiert sind, kann daher folgende Version verwendet werden:

    Quellcode

    1. function utf8_ensure($str) {
    2. return mb_check_encoding($str, 'UTF-8') ? $str : mb_convert_encoding($str, 'UTF-8', 'auto');
    3. }
    Bilder
    • php-manual-utf8-encode.png

      11,07 kB, 616×325, 476 mal angesehen

    4.198 mal gelesen

Kommentare 3