将 unicode 转换为 html 实体十六进制

Question

如何将 Unicode 字符串转换为 HTML 实体？ （HEX 不是十进制）

例如，将Français 转换为Français。

Answer 1

您也可以使用 PHP 4.0.6+ (link to PHP doc) 支持的mb_encode_numericentity。

function unicode2html($value) {
    return mb_encode_numericentity($value, [
    //  start codepoint
    //  |       end codepoint
    //  |       |       offset
    //  |       |       |       mask
        0x0000, 0x001F, 0x0000, 0xFFFF,
        0x0021, 0x002C, 0x0000, 0xFFFF,
        0x002E, 0x002F, 0x0000, 0xFFFF,
        0x003C, 0x003C, 0x0000, 0xFFFF,
        0x003E, 0x003E, 0x0000, 0xFFFF,
        0x0060, 0x0060, 0x0000, 0xFFFF,
        0x0080, 0xFFFF, 0x0000, 0xFFFF
    ], 'UTF-8', true);
}

通过这种方式，还可以指示将哪些字符范围转换为十六进制实体，以及将哪些字符保留为字符。

使用示例：

$input = array(
    '"Meno più, PIÙ o meno"',
    '\'ÀÌÙÒLÈ PERCHÉ perché è sempre così non si sà\'',
    '<script>alert("XSS");</script>',
    '"`'
);

$output = array();
foreach ($input as $str)
    $output[] = unicode2html($str)

结果：

$output = array(
    '"Meno più, PIÙ o meno"',
    ''ÀÌÙÒLÈ PERCHÉ perché è sempre così non si sà'',
    '<script>alert("XSS");</script>',
    '"`'
);

Answer 2

请参阅How to get the character from unicode code point in PHP? 获取一些允许您执行以下操作的代码：

使用示例：

echo "Get string from numeric DEC value\n";
var_dump(mb_chr(50319, 'UCS-4BE'));
var_dump(mb_chr(271));

echo "\nGet string from numeric HEX value\n";
var_dump(mb_chr(0xC48F, 'UCS-4BE'));
var_dump(mb_chr(0x010F));

echo "\nGet numeric value of character as DEC string\n";
var_dump(mb_ord('ď', 'UCS-4BE'));
var_dump(mb_ord('ď'));

echo "\nGet numeric value of character as HEX string\n";
var_dump(dechex(mb_ord('ď', 'UCS-4BE')));
var_dump(dechex(mb_ord('ď')));

echo "\nEncode / decode to DEC based HTML entities\n";
var_dump(mb_htmlentities('tchüß', false));
var_dump(mb_html_entity_decode('tchüß'));

echo "\nEncode / decode to HEX based HTML entities\n";
var_dump(mb_htmlentities('tchüß'));
var_dump(mb_html_entity_decode('tchüß'));

echo "\nUse JSON encoding / decoding\n";
var_dump(codepoint_encode("tchüß"));
var_dump(codepoint_decode('tch\u00fc\u00df'));

输出：

Get string from numeric DEC value
string(4) "ď"
string(2) "ď"

Get string from numeric HEX value
string(4) "ď"
string(2) "ď"

Get numeric value of character as DEC int
int(50319)
int(271)

Get numeric value of character as HEX string
string(4) "c48f"
string(3) "10f"

Encode / decode to DEC based HTML entities
string(15) "tchüß"
string(7) "tchüß"

Encode / decode to HEX based HTML entities
string(15) "tchüß"
string(7) "tchüß"

Use JSON encoding / decoding
string(15) "tch\u00fc\u00df"
string(7) "tchüß"

Answer 3

首先，当我最近遇到这个问题时，我通过确保我的代码文件、数据库连接和数据库表都是 UTF-8 来解决它然后，简单地回显文本即可。如果您必须转义 DB 的输出，请使用 htmlspecialchars() 而不是 htmlentities()，这样 UTF-8 符号就不会被尝试转义。

想记录一个替代解决方案，因为它为我解决了类似的问题。 我使用 PHP 的 utf8_encode() 来转义“特殊”字符。

我想将它们转换为 HTML 实体以进行显示，我编写此代码是因为我想尽可能避免使用 iconv 或此类功能，因为并非所有环境都必须具有它们（如果不是这样，请纠正我！）

$foo = 'This is my test string \u03b50';
echo unicode2html($foo);

function unicode2html($string) {
    return preg_replace('/\\\\u([0-9a-z]{4})/', '&#x$1;', $string);
}

希望这可以帮助有需要的人:-)

Answer 4

你的字符串看起来像UCS-4编码你可以试试

$first = preg_replace_callback('/[\x{80}-\x{10FFFF}]/u', function ($m) {
    $char = current($m);
    $utf = iconv('UTF-8', 'UCS-4', $char);
    return sprintf("&#x%s;", ltrim(strtoupper(bin2hex($utf)), "0"));
}, $string);

输出

string 'Français' (length=13)

Answer 5

related question 中缺少的十六进制编码：

$output = preg_replace_callback('/[\x{80}-\x{10FFFF}]/u', function ($match) {
    list($utf8) = $match;
    $binary = mb_convert_encoding($utf8, 'UTF-32BE', 'UTF-8');
    $entity = vsprintf('&#x%X;', unpack('N', $binary));
    return $entity;
}, $input);

这类似于@Baba 的答案，使用UTF-32BE，然后使用unpack 和vsprintf 来满足格式化需求。

如果您更喜欢iconv 而不是mb_convert_encoding，则类似：

$output = preg_replace_callback('/[\x{80}-\x{10FFFF}]/u', function ($match) {
    list($utf8) = $match;
    $binary = iconv('UTF-8', 'UTF-32BE', $utf8);
    $entity = vsprintf('&#x%X;', unpack('N', $binary));
    return $entity;
}, $input);

我发现这个字符串操作比Get hexcode of html entities 更清晰。