用PHP对GB编码到UTF-8编码的动态转换

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）：

<?php
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   # <cjk>
0x552b   0x658b   # <cjk>
0x552c   0x5b85   # <cjk>
0x552d   0x7a84   # <cjk>
……
0x777b   0x9f37   # <cjk>
0x777c   0x9f3d   # <cjk>
0x777d   0x9f3e   # <cjk>
0x777e   0x9f44   # <cjk>

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：

<?php
$arrlines = file("gb_unicode.txt");
foreach ($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。