source: trunk/web/punbb/include/utf8/utils/unicode.php @ 9

Last change on this file since 9 was 6, checked in by dj3c1t, 13 years ago

mise a jour du trunk

File size: 7.1 KB
Line 
1<?php
2
3/**
4* @version $Id: unicode.php,v 1.2 2006/02/26 13:20:44 harryf Exp $
5* Tools for conversion between UTF-8 and unicode
6* The Original Code is Mozilla Communicator client code.
7* The Initial Developer of the Original Code is
8* Netscape Communications Corporation.
9* Portions created by the Initial Developer are Copyright (C) 1998
10* the Initial Developer. All Rights Reserved.
11* Ported to PHP by Henri Sivonen (http://hsivonen.iki.fi)
12* Slight modifications to fit with phputf8 library by Harry Fuecks (hfuecks gmail com)
13* @see http://lxr.mozilla.org/seamonkey/source/intl/uconv/src/nsUTF8ToUnicode.cpp
14* @see http://lxr.mozilla.org/seamonkey/source/intl/uconv/src/nsUnicodeToUTF8.cpp
15* @see http://hsivonen.iki.fi/php-utf8/
16* @package utf8
17* @subpackage unicode
18*/
19
20/**
21* Takes an UTF-8 string and returns an array of ints representing the
22* Unicode characters. Astral planes are supported ie. the ints in the
23* output can be > 0xFFFF. Occurrances of the BOM are ignored. Surrogates
24* are not allowed.
25* Returns false if the input string isn't a valid UTF-8 octet sequence
26* and raises a PHP error at level E_USER_WARNING
27* Note: this function has been modified slightly in this library to
28* trigger errors on encountering bad bytes
29* @author <hsivonen@iki.fi>
30* @param string UTF-8 encoded string
31* @return mixed array of unicode code points or FALSE if UTF-8 invalid
32* @see utf8_from_unicode
33* @see http://hsivonen.iki.fi/php-utf8/
34* @package utf8
35* @subpackage unicode
36*/
37function utf8_to_unicode($str)
38{
39        $mState = 0;    // Cached expected number of octets after the current octet
40                                        // until the beginning of the next UTF8 character sequence
41        $mUcs4  = 0;    // Cached Unicode character
42        $mBytes = 1;    // Cached expected number of octets in the current sequence
43
44        $out = array();
45        $len = strlen($str);
46
47        for($i = 0; $i < $len; $i++)
48        {
49                $in = ord($str[$i]);
50
51                if ($mState == 0)
52                {
53                        // When mState is zero we expect either a US-ASCII character or a multi-octet sequence.
54                        if (0 == (0x80 & ($in)))
55                        {
56                                // US-ASCII, pass straight through.
57                                $out[] = $in;
58                                $mBytes = 1;
59                        }
60                        else if (0xC0 == (0xE0 & ($in)))
61                        {
62                                // First octet of 2 octet sequence
63                                $mUcs4 = ($in);
64                                $mUcs4 = ($mUcs4 & 0x1F) << 6;
65                                $mState = 1;
66                                $mBytes = 2;
67                        }
68                        else if (0xE0 == (0xF0 & ($in)))
69                        {
70                                // First octet of 3 octet sequence
71                                $mUcs4 = ($in);
72                                $mUcs4 = ($mUcs4 & 0x0F) << 12;
73                                $mState = 2;
74                                $mBytes = 3;
75                        }
76                        else if (0xF0 == (0xF8 & ($in)))
77                        {
78                                // First octet of 4 octet sequence
79                                $mUcs4 = ($in);
80                                $mUcs4 = ($mUcs4 & 0x07) << 18;
81                                $mState = 3;
82                                $mBytes = 4;
83                        }
84                        else if (0xF8 == (0xFC & ($in)))
85                        {
86                                /* First octet of 5 octet sequence.
87                                *
88                                * This is illegal because the encoded codepoint must be either
89                                * (a) not the shortest form or
90                                * (b) outside the Unicode range of 0-0x10FFFF.
91                                * Rather than trying to resynchronize, we will carry on until the end
92                                * of the sequence and let the later error handling code catch it.
93                                */
94                                $mUcs4 = ($in);
95                                $mUcs4 = ($mUcs4 & 0x03) << 24;
96                                $mState = 4;
97                                $mBytes = 5;
98                        }
99                        else if (0xFC == (0xFE & ($in)))
100                        {
101                                // First octet of 6 octet sequence, see comments for 5 octet sequence.
102                                $mUcs4 = ($in);
103                                $mUcs4 = ($mUcs4 & 1) << 30;
104                                $mState = 5;
105                                $mBytes = 6;
106                        }
107                        else
108                        {
109                                // Current octet is neither in the US-ASCII range nor a legal first octet of a multi-octet sequence
110                                trigger_error('utf8_to_unicode: Illegal sequence identifier in UTF-8 at byte '.$i, E_USER_WARNING);
111                                return false;
112                        }
113                }
114                else
115                {
116                        // When mState is non-zero, we expect a continuation of the multi-octet sequence
117                        if (0x80 == (0xC0 & ($in)))
118                        {
119                                // Legal continuation.
120                                $shift = ($mState - 1) * 6;
121                                $tmp = $in;
122                                $tmp = ($tmp & 0x0000003F) << $shift;
123                                $mUcs4 |= $tmp;
124
125                                /**
126                                * End of the multi-octet sequence. mUcs4 now contains the final
127                                * Unicode codepoint to be output
128                                */
129                                if (0 == --$mState)
130                                {
131                                        /*
132                                        * Check for illegal sequences and codepoints.
133                                        */
134                                        // From Unicode 3.1, non-shortest form is illegal
135                                        if (((2 == $mBytes) && ($mUcs4 < 0x0080)) || ((3 == $mBytes) && ($mUcs4 < 0x0800)) ||
136                                           ((4 == $mBytes) && ($mUcs4 < 0x10000)) || (4 < $mBytes) ||
137                                           // From Unicode 3.2, surrogate characters are illegal
138                                           (($mUcs4 & 0xFFFFF800) == 0xD800) ||
139                                           // Codepoints outside the Unicode range are illegal
140                                           ($mUcs4 > 0x10FFFF))
141                                        {
142                                                trigger_error('utf8_to_unicode: Illegal sequence or codepoint in UTF-8 at byte '.$i, E_USER_WARNING);
143                                                return false;
144                                        }
145
146                                        // BOM is legal but we don't want to output it
147                                        if (0xFEFF != $mUcs4)
148                                                $out[] = $mUcs4;
149
150                                        // Initialize UTF8 cache
151                                        $mState = 0;
152                                        $mUcs4  = 0;
153                                        $mBytes = 1;
154                                }
155
156                        }
157                        else
158                        {
159                                /* ((0xC0 & (*in) != 0x80) && (mState != 0))
160                                Incomplete multi-octet sequence. */
161                                trigger_error('utf8_to_unicode: Incomplete multi-octet sequence in UTF-8 at byte '.$i, E_USER_WARNING);
162                                return false;
163                        }
164                }
165        }
166
167        return $out;
168}
169
170/**
171* Takes an array of ints representing the Unicode characters and returns
172* a UTF-8 string. Astral planes are supported ie. the ints in the
173* input can be > 0xFFFF. Occurrances of the BOM are ignored. Surrogates
174* are not allowed.
175* Returns false if the input array contains ints that represent
176* surrogates or are outside the Unicode range
177* and raises a PHP error at level E_USER_WARNING
178* Note: this function has been modified slightly in this library to use
179* output buffering to concatenate the UTF-8 string (faster) as well as
180* reference the array by it's keys
181* @param array of unicode code points representing a string
182* @return mixed UTF-8 string or FALSE if array contains invalid code points
183* @author <hsivonen@iki.fi>
184* @see utf8_to_unicode
185* @see http://hsivonen.iki.fi/php-utf8/
186* @package utf8
187* @subpackage unicode
188*/
189function utf8_from_unicode($arr)
190{
191        ob_start();
192
193        foreach (array_keys($arr) as $k)
194        {
195                if ( ($arr[$k] >= 0) && ($arr[$k] <= 0x007f) ) // ASCII range (including control chars)
196                {
197                        echo chr($arr[$k]);
198                }
199                else if ($arr[$k] <= 0x07ff) //2 byte sequence
200                {
201                        echo chr(0xc0 | ($arr[$k] >> 6));
202                        echo chr(0x80 | ($arr[$k] & 0x003f));
203                }
204                else if($arr[$k] == 0xFEFF) // Byte order mark (skip)
205                {
206                        // Nop -- zap the BOM
207                }
208                else if ($arr[$k] >= 0xD800 && $arr[$k] <= 0xDFFF) // Test for illegal surrogates
209                {
210                        // Found a surrogate
211                        trigger_error('utf8_from_unicode: Illegal surrogate at index: '.$k.', value: '.$arr[$k], E_USER_WARNING);
212
213                        return false;
214                }
215                else if ($arr[$k] <= 0xffff) // 3 byte sequence
216                {
217                        echo chr(0xe0 | ($arr[$k] >> 12));
218                        echo chr(0x80 | (($arr[$k] >> 6) & 0x003f));
219                        echo chr(0x80 | ($arr[$k] & 0x003f));
220                }
221                else if ($arr[$k] <= 0x10ffff) // 4 byte sequence
222                {
223                        echo chr(0xf0 | ($arr[$k] >> 18));
224                        echo chr(0x80 | (($arr[$k] >> 12) & 0x3f));
225                        echo chr(0x80 | (($arr[$k] >> 6) & 0x3f));
226                        echo chr(0x80 | ($arr[$k] & 0x3f));
227                }
228                else
229                {
230                        trigger_error('utf8_from_unicode: Codepoint out of Unicode range at index: '.$k.', value: '.$arr[$k], E_USER_WARNING);
231
232                        // Out of range
233                        return false;
234                }
235        }
236
237        $result = ob_get_contents();
238        ob_end_clean();
239
240        return $result;
241}
Note: See TracBrowser for help on using the repository browser.