PHP程序設(shè)計(jì)中中文編碼問題曾經(jīng)困擾很多人，導(dǎo)致這個(gè)問題的原因其實(shí)很簡(jiǎn)單，每個(gè)國(guó)家(或區(qū)域)都規(guī)定了計(jì)算機(jī)信息交換用的字符編碼集，如美國(guó)的擴(kuò)展 ASCII 碼, 中國(guó)的 GB2312-80，日本的 JIS 等。作為該國(guó)家/區(qū)域內(nèi)信息處理的基礎(chǔ)，字符編碼集起著統(tǒng)一編碼的重要作用。字符編碼集按長(zhǎng)度分為 SBCS(單字節(jié)字符集)，DBCS(雙字節(jié)字符集)兩大類。早期的軟件(尤其是操作系統(tǒng))，為了解決本地字符信息的計(jì)算機(jī)處理，出現(xiàn)了各種本地化版本(L10N)，為了區(qū)分，引進(jìn)了 LANG, Codepage 等概念。但是由于各個(gè)本地字符集代碼范圍重疊，相互間信息交換困難;軟件各個(gè)本地化版本獨(dú)立維護(hù)成本較高。因此有必要將本地化工作中的共性抽取出來，作一致處理，將特別的本地化處理內(nèi)容降低到最少。這也就是所謂的國(guó)際化(118N)。各種語(yǔ)言信息被進(jìn)一步規(guī)范為 Locale 信息。處理的底層字符集變成了幾乎包含了所有字形的 Unicode。

現(xiàn)在大部分具有國(guó)際化特征的軟件核心字符處理都是以 Unicode 為基礎(chǔ)的，在軟件運(yùn)行時(shí)根據(jù)當(dāng)時(shí)的ocale/Lang/Codepage 設(shè)置確定相應(yīng)的本地字符編碼設(shè)置，并依此處理本地字符。在處理過程中需要實(shí)現(xiàn) Unicode 和本地字符集的相互轉(zhuǎn)換，甚或以 Unicode 為中間的兩個(gè)不同本地字符集的相互轉(zhuǎn)換。這種方式在網(wǎng)絡(luò)環(huán)境下被進(jìn)一步延伸，任何網(wǎng)絡(luò)兩端的字符信息也需要根據(jù)字符集的設(shè)置轉(zhuǎn)換成可接受的內(nèi)容。

數(shù)據(jù)庫(kù)中的字符集編碼問題

流行的關(guān)系數(shù)據(jù)庫(kù)系統(tǒng)都支持?jǐn)?shù)據(jù)庫(kù)字符集編碼，也就是說在創(chuàng)建數(shù)據(jù)庫(kù)時(shí)可以指定它自己的字符集設(shè)置，數(shù)據(jù)庫(kù)的數(shù)據(jù)以指定的編碼形式存儲(chǔ)。當(dāng)應(yīng)用程序訪問數(shù)據(jù)時(shí)，在入口和出口處都會(huì)有字符集編碼的轉(zhuǎn)換。對(duì)于中文數(shù)據(jù)，數(shù)據(jù)庫(kù)字符編碼的設(shè)置應(yīng)當(dāng)保證數(shù)據(jù)的完整性。GB2312、GBK、UTF-8 等都是可選的數(shù)據(jù)庫(kù)字符集編碼;當(dāng)然我們也可以選擇 ISO8859-1 (8-bit)，只是我們得在應(yīng)

用程序?qū)憯?shù)據(jù)之前先將 16Bit 的一個(gè)漢字或 Unicode 拆分成兩個(gè) 8-bit 的字符，讀數(shù)據(jù)之后也需要將兩個(gè)字節(jié)合并起來，同時(shí)還要判別其中的 SBCS 字符，因此我們并不推薦采用 ISO8859-1 作為數(shù)據(jù)庫(kù)字符集編碼。這樣不但沒有充分利用數(shù)據(jù)庫(kù)自身的字符集編碼支持，而且同時(shí)也增加了編程的復(fù)雜度。編程時(shí)，可以先用數(shù)據(jù)庫(kù)管理系統(tǒng)提供的管理功能檢查其中的中文數(shù)據(jù)是否正確。

PHP 程序在查詢數(shù)據(jù)庫(kù)之前，首先執(zhí)行 mysql_query('SET NAMES xxxx'); 其中 xxxx 是你網(wǎng)頁(yè)的編碼(charset=xxxx)，如果網(wǎng)頁(yè)中 charset=utf8，則 xxxx=utf8，如果網(wǎng)頁(yè)中 charset=gb2312，則xxxx=gb2312，幾乎所有 WEB 程序，都有一段連接數(shù)據(jù)庫(kù)的公共代碼，放在一個(gè)文件里，在這文件里，加入 mysql_query('SET NAMES xxxx') 就可以了。

SET NAMES 顯示客戶端發(fā)送的 SQL 語(yǔ)句中使用什么字符集。因此，SET NAMES 'utf-8' 語(yǔ)句告訴服務(wù)器“將來從這個(gè)客戶端傳來的信息采用字符集 utf-8”。它還為服務(wù)器發(fā)送回客戶端的結(jié)果指定了字符集(例如，如果你使用一個(gè) SELECT 語(yǔ)句，它表示列值使用了什么字符集)。

定位問題時(shí)常用的技巧

定位中文編碼問題通常采用最笨的也是最有效的辦法―在你認(rèn)為有嫌疑的程序處理后打印字符串的內(nèi)碼。通過打印字符串的內(nèi)碼，你可以發(fā)現(xiàn)什么時(shí)候中文字符被轉(zhuǎn)換成 Unicode，什么時(shí)候Unicode 被轉(zhuǎn)回中文內(nèi)碼，什么時(shí)候一個(gè)中文字成了兩個(gè) Unicode 字符，什么時(shí)候中文字符串被轉(zhuǎn)成了一串問號(hào)，什么時(shí)候中文字符串的高位被截掉了……

取用合適的樣本字符串也有助于區(qū)分問題的類型。如：'aa啊 aa?@aa' 等中英相間，GB、GBK特征字符均有的字符串。一般來說，英文字符無(wú)論怎么轉(zhuǎn)換或處理，都不會(huì)失真(如果遇到了，可以嘗試著增加連續(xù)的英文字母長(zhǎng)度)。

解決各種應(yīng)用的亂碼問題

1) 使用 標(biāo)簽設(shè)置頁(yè)面編碼

這個(gè)標(biāo)簽的作用是聲明客戶端的瀏覽器用什么字符集編碼顯示該頁(yè)面，xxx 可以為 GB2312、GBK、UTF-8(和 MySQL 不同，MySQL 是 UTF8)等等。因此，大部分頁(yè)面可以采用這種方式來告訴瀏覽器顯示這個(gè)頁(yè)面的時(shí)候采用什么編碼，這樣才不會(huì)造成編碼錯(cuò)誤而產(chǎn)生亂碼。但是有的時(shí)候我們會(huì)發(fā)現(xiàn)有了這句還是不行，不管 xxx 是哪一種，瀏覽器采用的始終都是一種編碼，這個(gè)情況我后面會(huì)談到。

請(qǐng)注意， 是屬于 HTML 信息的，僅僅是一個(gè)聲明，僅表明服務(wù)器已經(jīng)把 HTML 信息傳到了瀏覽器。

2) header('content-type:text/html; charset=xxx');

這個(gè)函數(shù) header() 的作用是把括號(hào)里面的信息發(fā)到 http 標(biāo)頭。如果括號(hào)里面的內(nèi)容為文中所說那樣，那作用和 標(biāo)簽基本相同，大家對(duì)照第一個(gè)看發(fā)現(xiàn)字符都差不多的。但是不同的是如果有這段函數(shù)，瀏覽器就會(huì)永遠(yuǎn)采用你所要求的 xxx 編碼，絕對(duì)不會(huì)不聽話，因此這個(gè)函數(shù)是很有用的。為什么會(huì)這樣呢?那就得說說 http 標(biāo)頭和 HTML信息的差別了：

http 標(biāo)頭是服務(wù)器以 http 協(xié)議傳送 HTML 信息到瀏覽器前所送出的字串。而 標(biāo)簽是屬于 HTML 信息的，所以 header() 發(fā)送的內(nèi)容先到達(dá)瀏覽器，通俗點(diǎn)就是 header() 的優(yōu)先級(jí)高于 (不知道可不可以這樣講)。假如一個(gè) php 頁(yè)面既有header('content-type:text/html;charset=xxx')，又有，瀏覽器就只認(rèn)前者 http 標(biāo)頭而不認(rèn) meta 了。當(dāng)然這個(gè)函數(shù)只能在 php 頁(yè)面內(nèi)使用。

同樣也留有一個(gè)問題，為什么前者就絕對(duì)起作用，而后者有時(shí)候就不行呢?這就是接下來要談的Apache 的原因了。

3) AddDefaultCharset

Apache 根目錄的 conf 文件夾里，有整個(gè) Apache 的配置文檔 httpd.conf。

用文本編輯器打開 httpd.conf，第 708 行(不同版本可能不同)有 AddDefaultCharset xxx，xxx為編碼名稱。這行代碼的意思：設(shè)置整個(gè)服務(wù)器內(nèi)的網(wǎng)頁(yè)文件 http 標(biāo)頭里的字符集為你默認(rèn)的 xxx字符集。有這行，就相當(dāng)于給每個(gè)文件都加了一行 header('content-type:text/html; charset=xxx')。這下就明白為什么明明 設(shè)置了是 utf-8，可瀏覽器始終采用 gb2312 的原因。

如果網(wǎng)頁(yè)里有 header('content-type:text/html; charset=xxx')，就把默認(rèn)的字符集改為你設(shè)置的字符集，所以這個(gè)函數(shù)永遠(yuǎn)有用。如果把 AddDefaultCharset xxx 前面加個(gè)'#'，注釋掉這句，而且頁(yè)面里不含 header('content-type…')，那這個(gè)時(shí)候就輪到 meta 標(biāo)簽起作用了。

下面列出以上的優(yōu)先順序：

.. header('content-type:text/html; charset=xxx')

.. AddDefaultCharset xxx

..

如果你是 web 程序員，建議給你的每個(gè)頁(yè)面都加個(gè)header('content-type:text/html;charset=xxx')，這樣就可以保證它在任何服務(wù)器都能正確顯示，可移植性也比較強(qiáng)。

4) php.ini 中的 default_charset 配置：

php.ini 中的 default_charset = 'gb2312' 定義了 php 的默認(rèn)語(yǔ)言字符集。一般推薦注釋掉此行，讓瀏覽器根據(jù)網(wǎng)頁(yè)頭中的 charset 來自動(dòng)選擇語(yǔ)言而非做一個(gè)強(qiáng)制性的規(guī)定，這樣就可以在同臺(tái)服務(wù)器上提供多種語(yǔ)言的網(wǎng)頁(yè)服務(wù)。

結(jié)束語(yǔ)

其實(shí) php 開發(fā)中的中文編碼并沒有想像的那么復(fù)雜，雖然定位和解決問題沒有定規(guī)，各種運(yùn)行環(huán)境也各不盡然，但后面的原理是一樣的。了解字符集的知識(shí)是解決字符問題的基礎(chǔ)。不過，隨著中文字符集的變化，不僅僅是 php 編程，中文信息處理中的問題還是會(huì)存在一段時(shí)間的。