PHPで文字エンコーディングを理解する

Question

PHPで文字エンコーディングを理解するのに苦労しています。私はそのUnicodeコードポイントで表され、実際に€文字、文字列を、持っている

$string = "\xe2\x82\xac"; 

var_dump(mb_internal_encoding()); 
var_dump($string); 
var_dump(unpack('C*', $string)); 
$utf8string = mb_convert_encoding($string, "UTF-8"); 
var_dump($utf8string); 
var_dump(unpack('C*', $utf8string)); 

mb_internal_encoding("UTF-8"); 

var_dump($string); 
var_dump($utf8string); 

：

は、次のスクリプトを（あなたがhereそれを実行することができます）考えてみましょう。 PHP 5.5までは、使用される内部エンコーディングはISO-8859-1です。したがって、このエンコーディングを使用して文字列をエンコードすると思います。 unpackで私の文字列のバイト表現を見ることができ、それは文字列を定義するために使用する16進コードに対応しています。

次に、文字列のエンコーディングを、に変換します。mb_convert_encodingを使用します。この時点で、文字列は画面上で異なって表示され、そのバイト表現は変更されます（これは予想されます）。

にPHP内部エンコーディングを変更すると、utf8stringが画面に正しく表示されると思われますが、これは起こりません。

私には何が欠けていますか？

Answer 1

あなたが表示するスクリプトはASCII以外の文字を使用しないので、内部的なエンコーディングは何の違いもありません。 mb_internal_encodingは出力時にデータを変換します。 This questionはどのように動作するかについて詳しく説明します。それを使用しないほうがよいとあなたに伝えます。

コード内の3バイト文字列$stringは、ユーロ記号のUTF-8表現であり、「ユニコードコードポイント」（すべての共通Unicode文字のように、2バイト幅：0x20ac）ではありません。

これは表示される動作をクリアしますか？

Answer 2

ユーロ記号utf-8の文字列で開始しました。 echo($string)を実行すると、すべてのバージョンのPHPが$stringに入れた3バイトを生成します。それらがブラウザーによってどのように解釈されるかは、Content-Typeヘッダーに指定された文字セットによって決まります。 text/html; charset=utf-8の場合、レンダリングされたページにユーロ記号が表示されます。

あなたは間違った動きをします。 mb_convert_encoding()には、2つの引数のみを指定して呼び出します。これにより、PHPは、第3引数（$from_encoding）にmb_string拡張子で使用される内部エンコーディングの現在の値を使用できます。どうして？

PHP 5.6以降では、mb_internal_encoding()によって返されるデフォルト値はutf-8であり、mb_convert_encoding()への呼び出しはノーオペレーションです。

しかし、以前のバージョンのPHPの場合、mb_internal_encoding()によって返されるデフォルト値はiso-8859-1であり、文字列のエンコーディングと一致しません。したがって、mb_convert_encoding()は、$stringのバイトを3つの個々の文字として解釈し、utf-8の規則を使用してそれらを符号化する。結果は明らかに間違っています。

Btwの場合、$stringを'€'に初期化すると、すべてのPHPバージョン（PHP 4、iircでも）で同じ出力が得られます。