php对gb编码动态转utf-8编码的几种方法评测编码动态转utf-8编码的几种方法评测

　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 " ";

　　// 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 " ";

　　?>

　　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。