Go homepage(回首页)
Upload pictures (上传图片)
Write articles (发文字帖)

The author:(作者)归海一刀
published in(发表于) 2014/2/17 7:35:18
PHP技巧:PHP对GB编码动态转UTF-8几种方法评测_[PHP教程]

PHP技巧:PHP对GB编码动态转UTF-8几种方法评测_[PHP教程]

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):


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 #
0x552B 0x658B #
0x552C 0x5B85 #
0x552D 0x7A84 #
……
0x777B 0x9F37 #
0x777C 0x9F3D #
0x777D 0x9F3E #
0x777E 0x9F44 #


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:


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:


function GB2UTF8_FILE1(strGB) {
if (!trim(strGB)) return strGB;
fileGBU = fopen(\"gbu.dat\", \"rb\");
strBuf = fread(fileGBU, 2);
intCount = ord(strBuf{0}) + 256 * ord(strBuf{1});
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;
intStart = 1;
intEnd = intCount;
while (intStart < intEnd - 1) { // 折半法查找
intMid = floor((intStart + intEnd) / 2);
intOffset = 2 + 4 * (intMid - 1);
fseek(fileGBU, intOffset);
strBuf = fread(fileGBU, 2);
intCode = ord(strBuf{0}) + 256 * ord(strBuf{1});
if (intGB == intCode) {
intStart = intMid;
break;
}
if (intGB > intCode) intStart = intMid;
else intEnd = intMid;
}
intOffset = 2 + 4 * (intStart - 1);
fseek(fileGBU, intOffset);
strBuf = fread(fileGBU, 2);
intCode = ord(strBuf{0}) + 256 * ord(strBuf{1});
if (intGB == intCode) {
strBuf = fread(fileGBU, 2);
intCodeU = ord(strBuf{0}) + 256 * ord(strBuf{1});
strRet .= u2utf8(intCodeU);
} else {
strRet .= \"??\";
}
i++;
} else {
strRet .= strGB{i};
}
}
return strRet;
}

把其加到原来的测评程序,对三种方法同时测评2次得到数据(精确到3位小数,单位:秒):

MySQL方法:0.125
文本文件方法:10.873
二进制文件折半法:0.106

MySQL方法:0.102
文本文件方法:10.677
二进制文件折半法:0.092

可见二进制文件折半法还比MySQL法略有优势。但是上述测评都是对短的地理位置进行转码,如果对较长的文本转码又如何呢?我找来5个Blog的RSS 2.0文件,都是GB2312编码。测评三种方法对5个文件编码耗费的时间,2次测量数据如下(精确到3位小数,单位:秒):

MySQL方法:7.206
文本文件方法:0.772
二进制文件折半法:5.022

MySQL方法:7.440
文本文件方法:0.766
二进制文件折半法:5.055

可见对长的文本是用文本文件的方法最优,因为转码对照表读入内存后,转码就可以很高效了。既然如此,我们还可以尝试改进一下,把文本文件方法改为:转码对照表从二进制文件gbu.dat读入内存,而不是文本文件。测评数据如下(精度和单位同上):

从文本文件读入对照表:0.766
从二进制文件读入对照表:0.831

从文本文件读入对照表:0.774
从二进制文件读入对照表:0.833

表明这次改进失败了,从文本文件读入转码对照表更高效。

总结:用PHP对GB编码到UTF-8编码的动态转换,如果每次转换的文本很小,适宜用二进制文件结合折半法转换;如果每次转换的文本较大,适宜用文本文件存储转码对照表,并在转换前一次性把对照表读入内存。






If you have any requirements, please contact webmaster。(如果有什么要求,请联系站长)





QQ:154298438
QQ:417480759