1. function utf8_gb2312($str, $default = 'gb2312') 
2. { 
3.     $str = preg_replace("/[x01-x7f]+/", "", $str); 
4.     if (emptyempty($str)) return $default; 
5.      
6.     $preg =  array( 
7.         "gb2312" => "/^([xa1-xf7][xa0-xfe])+$/", //正则判断是否是gb2312 
8.         "utf-8" => "/^[x{4e00}-x{9fa5}]+$/u",      //正则判断是否是汉字(utf8编码的条件了)，这个范围实际上已经包含了繁体中文字了 
9.     ); 
10.     if ($default == 'gb2312') { 
11.         $option = 'utf-8'; 
12.     } else { 
13.         $option = 'gb2312'; 
14.     } 
15.     if (!preg_match($preg[$default], $str)) { 
16.         return $option; 
17.     } 
18.     $str = @iconv($default, $option, $str); 
19.      
20.     //不能转成 $option, 说明原来的不是 $default 
21.     if (emptyempty($str)) { 
22.         return $option; 
23.     } 

默认编码是gb2312，而且我统计了一下，90%的情况下都是gb2312，所以，我的检测函数不能出现本来是gb2312的，结果被检测出utf8. 基本思路是：

1. 把所有的ascii去掉，如果全部都是ascii，那么就是gb2312。

2. 假设这个字符串是gb2312，用一个正则检查它是否是真的gb2312，如果不是，那么就是utf-8

3. 然后，用iconv 把字符串转换成utf8，如果转换不成功，那么原来可能不是真正的一个gb2312编码的字符（用正则匹配我已经尽量精确，但是，gb2312的编码不是连续的，还是会有空洞），那么最后的编码就是utf-8.

4. 否则就是gb2312 编码：加入这样的检查功能后，在1000个关键字里面，就出现了1个乱码，比以前的近100个关键字乱码少了很多。

Tags: 检测 字符 编码

分享到：