4

我有一个每月通过 FTP 接收 CSV 文件的网站。多年来，它一直是一个 ASCII 文件。现在我一个月收到 UTF-8，然后是 UTF-16BE，下个月收到 UTF-16LE。也许下个月我会得到 UTF-32。Fgets 返回 UTF 文件开头的字节顺序标记。如何让 PHP 自动识别字符编码？我试过 mb_detect_encoding 并且无论文件类型如何，它都会返回 ASCII。我更改了代码以读取 BOM，并将字符编码显式放入 mb_convert_encoding。这一直有效，直到最新的文件是 UTF-16LE。在这个文件中，它正确读取了第一行，所有后续行都显示为问号（“？”）。我究竟做错了什么？

$fhandle = fopen( $file_in, "r" );
if ( fhandle === false )
    {
    echo "<p class=redbold>Error opening file $file_in.</p>";
    die();
    }

$i = 0;
while( ( $line = fgets( $fhandle ) ) !== false )
{
$i++;

// Detect encoding on first line. Actual text always begins with string "Document"
if ( $i == 1 )
    {
    $line_start = substr( $line, 0, 4 );
    $line_start_hex = bin2hex( $line_start );
    $utf16_start = 'fffe4400';
    $utf8_start = 'efbbbf44';
    if ( strcmp( $line_start, 'Docu' ) == 0 )
        { $char_encoding = 'ASCII'; }
    elseif ( strcmp( $line_start_hex, 'efbbbf44' ) == 0 )
        {
        $char_encoding = 'UTF-8';
        $line = substr( $line, 3 );
        }
    elseif ( strcmp( $line_start_hex, 'fffe4400' ) == 0 )
        {
        $char_encoding = 'UTF-16LE';
        $line = substr( $line, 2 );
        }
    elseif ( strcmp( $line_start_hex, 'feff4400' ) == 0 )
        {
        $char_encoding = 'UTF-16BE';
        $line = substr( $line, 2 );
        }
    else
        {
        echo "<p class=redbold>Error, unknown character encoding. Line =<br>", $line_start_hex, '</p>';
        require( '../footer.php' );
        die();
        }
    echo "<p>char_encoding = $char_encoding</p>";
    }

// Convert UTF
if ( $char_encoding != 'ASCII' )
    {
    $line = mb_convert_encoding( $line, 'ASCII', $char_encoding);
    }

echo '<p>'; var_dump( $line ); echo '</p>';
}

输出：

    char_encoding = UTF-16LE

string(101) "DocumentNumber,RecordedTS,Title,PageCount,City,TransTaxAccountCode,TotalTransferTax,Description,Name
"

string(83) "???????????????????????????????????????????????????????????????????????????????????"

string(88) "????????????????????????????????????????????????????????????????????????????????????????"

string(84) "????????????????????????????????????????????????????????????????????????????????????"

string(80) "????????????????????????????????????????????????????????????????????????????????"
4

2 回答 2

4

显式传递顺序和可能的编码来检测，并使用严格的参数。也请使用file_get_contents，如果文件是 UTF-16LE，fgets会为你搞砸。

<?php
header( "Content-Type: text/html; charset=utf-8");
$input = file_get_contents( $file_in );

$encoding = mb_detect_encoding( $input, array(
    "UTF-8",
    "UTF-32",
    "UTF-32BE",
    "UTF-32LE",
    "UTF-16",
    "UTF-16BE",
    "UTF-16LE"
), TRUE );

if( $encoding !== "UTF-8" ) {
    $input = mb_convert_encoding( $input, "UTF-8", $encoding );
}
echo "<p>$encoding</p>";

foreach( explode( PHP_EOL, $input ) as $line ) {
    var_dump( $line );
}

顺序很重要，因为 UTF-8 和 UTF-32 限制性更强，而 UTF-16 极其宽松；几乎任何随机偶数字节长度都是有效的 UTF-16。

保留所有信息的唯一方法是将其转换为 unicode 编码，而不是 ASCII。

于 2013-01-19T10:09:23.907 回答
1

我的建议是将所有内容都转换为 UTF-8 或 ASCII（如果您尝试将所有内容都转换为 UTF-8 或 ASCII，则从您发布的代码中不太确定）

$utf8Line = iconv( mb_detect_encoding( $line ), 'UTF-8', $line );

或者...

$asciiLine = iconv( mb_detect_encoding( $line ), 'ASCII', $line );

您可以利用杠杆mb_detect_encoding为您完成繁重的工作

于 2013-01-18T21:10:40.570 回答