开发学院 WEB开发 PHP php对gb编码动态转utf-8编码的几种方法评测阅读

php对gb编码动态转utf-8编码的几种方法评测

　2007-06-05 16:23:04　来源：WEB开发网　　　

核心提示：在《ip地址->地理位置转换的测评》一文中提到用ip2addr函数直接读取IP数据库文件是效率最高的，相比用MySQL数据库存储IP数据，php对gb编码动态转utf-8编码的几种方法评测，用SQL查询是效率最低的，但是IP数据库文件QQWry.dat是GB2312编码的，适宜用二进制文件结合折半法转换；如果每次

在《ip地址->地理位置转换的测评》一文中提到用ip2addr函数直接读取IP数据库文件是效率最高的，相比用MySQL数据库存储IP数据，用SQL查询是效率最低的。但是IP数据库文件QQWry.dat是GB2312编码的。现在我需要UTF-8编码的地理位置结果。如果用MySQL方法，可以在数据存入数据库时就转换为UTF-8编码，一劳永逸。但是QQWry.dat文件又无法修改，只能把ip2addr函数的输出结果再进行动态转换。

动态转换GB->UTF-8编码至少有四种方法：

用php的iconv扩展转换

用PHP的mb_string扩展转换

用对换表转换，对换表存储在MySQL数据库中

用对换表转换，对换表存储在文本文件中

前两种方法要服务器作了相应设置（编译安装了相应扩展）才能使用。我的虚拟主机没有这两个扩展，只好考虑后两种方法。前两个方法本文也不进行测评。

测评程序如下（func_ip.php参见《IP地址->地理位置转换的测评》一文）：

<?php
require_once ("func_ip.php");
function u2utf8($c) {
$str = "";
if ($c < 0x80) {
　 $str .= $c;
} elseif ($c < 0x800) {
　 $str .= chr(0xC0 | $c >> 6);
　 $str .= chr(0x80 | $c & 0x3F);
} elseif ($c < 0x10000) {
　 $str .= chr(0xE0 | $c >> 12);
　 $str .= chr(0x80 | $c >> 6 & 0x3F);
　 $str .= chr(0x80 | $c & 0x3F);
} elseif ($c < 0x200000) {
　 $str .= chr(0xF0 | $c >> 18);
　 $str .= chr(0x80 | $c >> 12 & 0x3F);
　 $str .= chr(0x80 | $c >> 6 & 0x3F);
　 $str .= chr(0x80 | $c & 0x3F);
}
return $str;
}
function GB2UTF8_SQL($strGB) {
if (!trim($strGB)) return $strGB;
$strRet = "";
$intLen = strlen($strGB);
for ($i = 0; $i < $intLen; $i++) {
　 if (ord($strGB{$i}) > 127) {
　　　 $strCurr = substr($strGB, $i, 2);
　　　 $intGB = hexdec(bin2hex($strCurr)) - 0x8080;
　　　 $strSql = "SELECT code_unicode FROM nnstats_gb_unicode
　　　　 WHERE code_gb = ".$intGB." LIMIT 1"
　　　 ;
　　　 $resResult = mysql_query($strSql);
　　　 if ($arrCode = mysql_fetch_array($resResult)) $strRet .= u2utf8($arrCode["code_unicode"]);
　　　 else $strRet .= "??";
　　　 $i++;
　 } else {
　　　 $strRet .= $strGB{$i};
　 }
}
return $strRet;
}
function GB2UTF8_FILE($strGB) {
if (!trim($strGB)) return $strGB;
$arrLines = file("gb_unicode.txt");
foreach ($arrLines as $strLine) {
　 $arrCodeTable[hexdec(substr($strLine, 0, 6))] = hexdec(substr($strLine, 7, 6));
}
$strRet = "";
$intLen = strlen($strGB);
for ($i = 0; $i < $intLen; $i++) {
　 if (ord($strGB{$i}) > 127) {
　　　 $strCurr = substr($strGB, $i, 2);
　　　 $intGB = hexdec(bin2hex($strCurr)) - 0x8080;
　　　 if ($arrCodeTable[$intGB]) $strRet .= u2utf8($arrCodeTable[$intGB]);
　　　 else $strRet .= "??";
　　　 $i++;
　 } else {
　　　 $strRet .= $strGB{$i};
　 }
}
return $strRet;
}
function EncodeIp($strDotquadIp) {
$arrIpSep = explode('.', $strDotquadIp);
if (count($arrIpSep) != 4) return 0;
$intIp = 0;　
foreach ($arrIpSep as $k => $v) $intIp += (int)$v * pow(256, 3 - $k);
return $intIp;
//return sPRintf('%02x%02x%02x%02x', $arrIpSep[0], $arrIpSep[1], $arrIpSep[2], $arrIpSep[3]);
}
function GetMicroTime() {
list($msec, $sec) = explode(" ", microtime());
return ((double)$msec + (double)$sec);
}
for ($i = 0; $i < 100; $i++) { // 随机产生100个ip地址
$strIp = mt_rand(0, 255).".".mt_rand(0, 255).".".mt_rand(0, 255).".".mt_rand(0, 255);
$arrAddr[$i] = ip2addr(EncodeIp($strIp));
}
$resConn = mysql_connect("localhost", "netnest", "netnest");
mysql_select_db("test");
// 测评MySQL查询的编码转换
$dblTimeStart = GetMicroTime();
for ($i = 0; $i < 100; $i++) {
$strUTF8Region = GB2UTF8_SQL($arrAddr[$i]["region"]);
$strUTF8Address = GB2UTF8_SQL($arrAddr[$i]["address"]);
}
$dblTimeDuration = GetMicroTime() - $dblTimeStart;
// 测评结束并输出结果
echo $dblTimeDuration; echo "\r\n";
// 测评文本文件查询的编码转换
$dblTimeStart = GetMicroTime();
for ($i = 0; $i < 100; $i++) {
$strUTF8Region = GB2UTF8_FILE($arrAddr[$i]["region"]);
$strUTF8Address = GB2UTF8_FILE($arrAddr[$i]["address"]);
}
$dblTimeDuration = GetMicroTime() - $dblTimeStart;
// 测评结束并输出结果
echo $dblTimeDuration; echo "\r\n";
?>
测评两次结果（精确到3位小数，单位是秒）：

MySQL查询转换：0.112
文本查询转换：10.590

MySQL查询转换：0.099
文本查询转换：10.623

可见这次是MySQL方法遥遥领先于文件查询法。但是现在还不急于使用MySQL方法，因为文本文件方法之所以如此耗时，主要因为它每次转换都要把整个gb_unicode.txt读入内存，而gb_unicode.txt又是文本文件，格式如下：

0x2121　 0x3000　 # IDEOGRAPHIC SPACE
0x2122　 0x3001　 # IDEOGRAPHIC COMMA
0x2123　 0x3002　 # IDEOGRAPHIC FULL STOP
0x2124　 0x30FB　 # KATAKANA MIDDLE DOT
0x2125　 0x02C9　 # MODIFIER LETTER MACRON (Mandarin Chinese first tone)
……
0x552A　 0x6458　 # <CJK>
0x552B　 0x658B　 # <CJK>
0x552C　 0x5B85　 # <CJK>
0x552D　 0x7A84　 # <CJK>
……
0x777B　 0x9F37　 # <CJK>
0x777C　 0x9F3D　 # <CJK>
0x777D　 0x9F3E　 # <CJK>
0x777E　 0x9F44　 # <CJK>

文本文件效率较低，于是考虑把文本文件转换为二进制文件，然后用折半法查找这个文件，而不需要把整个文件读入内存。文件格式为：文件头2字节，存储记录数；接着一条接一条记录存入文件，每条记录4字节，前2字节对应GB代码，后2字节对应Unicode代码。转换程序如下：

<?php
$arrLines = file("gb_unicode.txt");
foreach ($arrLines as $strLine) {
$arrCodeTable[hexdec(substr($strLine, 0, 6))] = hexdec(substr($strLine, 7, 6));
}
ksort($arrCodeTable);
$intCount = count($arrCodeTable);
$strCount = chr($intCount % 256) . chr(floor($intCount / 256));
$fileGBU = fopen("gbu.dat", "wb");
fwrite($fileGBU, $strCount);
foreach ($arrCodeTable as $k => $v) {
$strData = chr($k % 256) . chr(floor($k / 256)) . chr($v % 256) . chr(floor($v / 256));
fwrite($fileGBU, $strData);
}
fclose($fileGBU);
?>
执行程序后就获得了二进制的GB->Unicode对照表gbu.dat，并且数据记录按GB代码排了序，便于折半法查找。使用gbu.dat进行转码的函数如下：