|
PHP对GB编码动态转UTF-8编码的几种方法评测_[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。
|
