文章詳情頁

php對gb編碼動態轉utf-8編碼的幾種方法評測

瀏覽：26日期：2024-02-13 11:57:18

在《IP地址->地理位置轉換的測評》一文中提到用ip2addr函數直接讀取IP數據庫文件是效率最高的，相比用MySQL數據庫存儲IP數據，用SQL查詢是效率最低的。但是IP數據庫文件QQWry.dat是GB2312編碼的。現在我需要UTF-8編碼的地理位置結果。如果用MySQL方法，可以在數據存入數據庫時就轉換為UTF-8編碼，一勞永逸。但是QQWry.dat文件又無法修改，只能把ip2addr函數的輸出結果再進行動態轉換。

動態轉換GB->UTF-8編碼至少有四種方法：

用PHP的iconv擴展轉換

用PHP的mb_string擴展轉換

用對換表轉換，對換表存儲在MySQL數據庫中

用對換表轉換，對換表存儲在文本文件中

前兩種方法要服務器作了相應設置（編譯安裝了相應擴展）才能使用。我的虛擬主機沒有這兩個擴展，只好考慮后兩種方法。前兩個方法本文也不進行測評。

測評程序如下（func_ip.php參見《IP地址->地理位置轉換的測評》一文）：

<?phprequire_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++) { // 隨機產生100個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');// 測評MySQL查詢的編碼轉換$dblTimeStart = GetMicroTime();for ($i = 0; $i < 100; $i++) { $strUTF8Region = GB2UTF8_SQL($arrAddr[$i]['region']); $strUTF8Address = GB2UTF8_SQL($arrAddr[$i]['address']);}$dblTimeDuration = GetMicroTime() - $dblTimeStart;// 測評結束并輸出結果echo $dblTimeDuration; echo 'rn';// 測評文本文件查詢的編碼轉換$dblTimeStart = GetMicroTime();for ($i = 0; $i < 100; $i++) { $strUTF8Region = GB2UTF8_FILE($arrAddr[$i]['region']); $strUTF8Address = GB2UTF8_FILE($arrAddr[$i]['address']);}$dblTimeDuration = GetMicroTime() - $dblTimeStart;// 測評結束并輸出結果echo $dblTimeDuration; echo 'rn';?>測評兩次結果（精確到3位小數，單位是秒）：

MySQL查詢轉換：0.112文本查詢轉換：10.590

MySQL查詢轉換：0.099文本查詢轉換：10.623

可見這次是MySQL方法遙遙領先于文件查詢法。但是現在還不急于使用MySQL方法，因為文本文件方法之所以如此耗時，主要因為它每次轉換都要把整個gb_unicode.txt讀入內存，而gb_unicode.txt又是文本文件，格式如下：

0x21210x3000# IDEOGRAPHIC SPACE0x21220x3001# IDEOGRAPHIC COMMA0x21230x3002# IDEOGRAPHIC FULL STOP0x21240x30FB# KATAKANA MIDDLE DOT0x21250x02C9# MODIFIER LETTER MACRON (Mandarin Chinese first tone)……0x552A0x6458# <CJK>0x552B0x658B# <CJK>0x552C0x5B85# <CJK>0x552D0x7A84# <CJK>……0x777B0x9F37# <CJK>0x777C0x9F3D# <CJK>0x777D0x9F3E# <CJK>0x777E0x9F44# <CJK>

文本文件效率較低，于是考慮把文本文件轉換為二進制文件，然后用折半法查找這個文件，而不需要把整個文件讀入內存。文件格式為：文件頭2字節，存儲記錄數；接著一條接一條記錄存入文件，每條記錄4字節，前2字節對應GB代碼，后2字節對應Unicode代碼。轉換程序如下：

<?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);?>執行程序后就獲得了二進制的GB->Unicode對照表gbu.dat，并且數據記錄按GB代碼排了序，便于折半法查找。使用gbu.dat進行轉碼的函數如下：

MySQL方法：0.125文本文件方法：10.873二進制文件折半法：0.106

MySQL方法：0.102文本文件方法：10.677二進制文件折半法：0.092

可見二進制文件折半法還比MySQL法略有優勢。但是上述測評都是對短的地理位置進行轉碼，如果對較長的文本轉碼又如何呢？我找來5個Blog的RSS 2.0文件，都是GB2312編碼。測評三種方法對5個文件編碼耗費的時間，2次測量數據如下（精確到3位小數，單位：秒）：

MySQL方法：7.206文本文件方法：0.772二進制文件折半法：5.022

MySQL方法：7.440文本文件方法：0.766二進制文件折半法：5.055

可見對長的文本是用文本文件的方法最優，因為轉碼對照表讀入內存后，轉碼就可以很高效了。既然如此，我們還可以嘗試改進一下，把文本文件方法改為：轉碼對照表從二進制文件gbu.dat讀入內存，而不是文本文件。測評數據如下（精度和單位同上）：

從文本文件讀入對照表：0.766從二進制文件讀入對照表：0.831

從文本文件讀入對照表：0.774從二進制文件讀入對照表：0.833

表明這次改進失敗了，從文本文件讀入轉碼對照表更高效。

總結：用PHP對GB編碼到UTF-8編碼的動態轉換，如果每次轉換的文本很小，適宜用二進制文件結合折半法轉換；如果每次轉換的文本較大，適宜用文本文件存儲轉碼對照表，并在轉換前一次性把對照表讀入內存。

PHP

上一條：php對特殊語句查詢結果進行數組排序下一條：win2003 iis整合php后環境變量無法讀取到

排行榜

					
					docker鏡像完全卸載的操作步驟
IntelliJ IDEA導入jar包的方法
使用Maven 搭建 Spring MVC 本地部署Tomcat的詳細教程
IntelliJ IDEA配置Tomcat服務器的方法
idea刪除項目的操作方法
IntelliJ IDEA恢復刪除文件的方法
IntelliJ IDEA調整字體大小的方法
IntelliJ IDEA設置默認瀏覽器的方法
IntelliJ IDEA安裝插件的方法步驟
idea打開多個窗口的操作方法
Docker 部署 Prometheus的安裝詳細教程
				