"Надежная" кодировка SMS в Юникоде и GSM в PHP
https://stackoverflow.com/questions/27599
italiano
english
français
española
中国
日本の
العربية
Deutsch
한국어
Português
RussianВопрос
(Немного обновлен)
Надо сказать, у меня не очень большой опыт в интернационализации с использованием PHP, и долгий поиск на самом деле не дал ответов, которые я искал.
Мне нужно разработать надежный способ преобразования только "релевантного" текста в Юникод для отправки в SMS-сообщении, используя PHP (только временно, пока сервис переписывается с использованием C #) - очевидно, что сообщения, отправленные в данный момент, отправляются в виде обычного текста.
Предположительно, я мог бы преобразовать все в кодировку Unicode (в отличие от использования стандартной кодировки GSM), но это означало бы, что ВСЕ объем сообщений будет ограничен 70 символами (вместо 160).
Итак, я предполагаю, что мой настоящий вопрос заключается в следующем: каков наиболее надежный способ определить требование к сообщению в кодировке Unicode, поэтому мне нужно делать это только тогда, когда оно абсолютно необходимо (например,для символов нелатинского языка)?
Добавленная информация:
Итак, я провел утро, работая над этим, и я все еще не продвинулся дальше, чем когда начинал (конечно, из-за моей полной некомпетентности, когда дело доходит до преобразования кодировок).Итак, вот пересмотренный сценарий:
У меня есть текстовые SMS-сообщения, поступающие из внешнего источника, этот внешний источник предоставляет мне ответы в виде обычного текста + символов, экранированных косой чертой в Юникоде.Например."отображаемый" текст:
Let's test öäü éàè אין תמיכה בעברית
ВОЗВРАТ:
Давайте протестируем \u00f6 \u00e4\u00fc \u00e9 \u00e0 \u00e8 \u05d0 \u05d9 \u05df \ u05ea \u05de \ u05d9 \u05db \u05d4 \u05d1 \u05e2 \u05d1 \u05e8 \u05d9 \u05ea
Теперь я могу отправлять своему поставщику SMS-сообщений открытым текстом, GSM 03.38 или в Юникоде.Очевидно, что отправка приведенного выше в виде открытого текста приводит к большому количеству пропущенных символов (мой провайдер заменяет их пробелами) - мне нужно принять решение относительно того, какой контент там есть.То, что я хочу делай при этом происходит следующее:
Если весь текст находится внутри Кодовая страница GSM 03.38, отправьте это как есть.(Все символы иврита, кроме приведенных выше, подпадают под эту категорию, но должны быть преобразованы.)
В противном случае преобразуйте его в Юникод и отправьте через несколько сообщений (поскольку ограничение Юникода составляет 70 символов, а не 160 для SMS).
Как я уже говорил выше, я зашел в тупик, делая это на PHP (C # не был большой проблемой из-за некоторых встроенных простых функций преобразования), но вполне вероятно, что я просто упускаю очевидное здесь.Я также не смог найти готовых классов преобразования для 7-битной кодировки в PHP - и мои попытки самостоятельно преобразовать строку и отправить ее дальше казались тщетными.
Мы были бы очень признательны за любую помощь.
Решение
Чтобы разобраться с этим концептуально, прежде чем переходить к механизмам, и прошу прощения, если что-то из этого очевидно, строку можно определить как последовательность символов Unicode, Unicode - это база данных, которая присваивает идентификационный номер, известный как кодовая точка, каждому символу, с которым вам может понадобиться работать.GSM-338 содержит подмножество символов Юникода, поэтому то, что вы делаете, это извлекаете набор кодовых точек из вашей строки и проверяете, содержится ли этот набор в GSM-338.
// second column of http://unicode.org/Public/MAPPINGS/ETSI/GSM0338.TXT
$gsm338_codepoints = array(0x0040, 0x0000, ..., 0x00fc, 0x00e0)
$can_use_gsm338 = true;
foreach(codepoints($mystring) as $codepoint){
if(!in_array($codepoint, $gsm338_codepoints)){
$can_use_gsm338 = false;
break;
}
}
Это оставляет определение кодовых точек функции ($string), которое не встроено в PHP.PHP понимает строку как последовательность байтов, а не как последовательность символов Юникода.Лучший способ преодолеть этот пробел - перевести ваши строки в UTF8 как можно быстрее и сохранять их в UTF8 как можно дольше - вам придется использовать другие кодировки при работе с внешними системами, но изолировать преобразование в интерфейс к этой системе и работать только с utf8 внутри.
Функции, необходимые для преобразования строк php в utf8 и последовательностей кодовых точек, можно найти по адресу http://hsivonen.iki.fi/php-utf8/ , итак, это ваша функция codepoints().
Если вы берете данные из внешнего источника, который предоставляет вам символы, экранированные косой чертой в Юникоде ("Давайте протестируем \ u00f6 \ u00e4 \ u00fc ..."), этот формат экранирования строки должен быть преобразован в utf8.Я не знаю навскидку функции для этого, если она не может быть найдена, это вопрос обработки строк / регулярных выражений + использование hsivonen.iki.fi функции, например, когда вы нажимаете \u00f6, заменяют его представлением utf8 кодовой точки 0xf6.
Другие советы
Хотя это старая тема, мне недавно пришлось решать очень похожую проблему, и я хотел опубликовать свой ответ.PHP-код несколько прост.Он начинается с кропотливо выполняемого большого массива допустимых кодов символов GSM в массиве, затем просто проверяет, есть ли текущий символ в этом массиве, используя функция ord($string) который возвращает значение ascii первого символа переданной строки.Вот код, который я использую для проверки того, имеет ли строка значение GSM.
$valid_gsm_keycodes = Array(
0x0040, 0x0394, 0x0020, 0x0030, 0x00a1, 0x0050, 0x00bf, 0x0070,
0x00a3, 0x005f, 0x0021, 0x0031, 0x0041, 0x0051, 0x0061, 0x0071,
0x0024, 0x03a6, 0x0022, 0x0032, 0x0042, 0x0052, 0x0062, 0x0072,
0x00a5, 0x0393, 0x0023, 0x0033, 0x0043, 0x0053, 0x0063, 0x0073,
0x00e8, 0x039b, 0x00a4, 0x0034, 0x0035, 0x0044, 0x0054, 0x0064, 0x0074,
0x00e9, 0x03a9, 0x0025, 0x0045, 0x0045, 0x0055, 0x0065, 0x0075,
0x00f9, 0x03a0, 0x0026, 0x0036, 0x0046, 0x0056, 0x0066, 0x0076,
0x00ec, 0x03a8, 0x0027, 0x0037, 0x0047, 0x0057, 0x0067, 0x0077,
0x00f2, 0x03a3, 0x0028, 0x0038, 0x0048, 0x0058, 0x0068, 0x0078,
0x00c7, 0x0398, 0x0029, 0x0039, 0x0049, 0x0059, 0x0069, 0x0079,
0x000a, 0x039e, 0x002a, 0x003a, 0x004a, 0x005a, 0x006a, 0x007a,
0x00d8, 0x001b, 0x002b, 0x003b, 0x004b, 0x00c4, 0x006b, 0x00e4,
0x00f8, 0x00c6, 0x002c, 0x003c, 0x004c, 0x00d6, 0x006c, 0x00f6,
0x000d, 0x00e6, 0x002d, 0x003d, 0x004d, 0x00d1, 0x006d, 0x00f1,
0x00c5, 0x00df, 0x002e, 0x003e, 0x004e, 0x00dc, 0x006e, 0x00fc,
0x00e5, 0x00c9, 0x002f, 0x003f, 0x004f, 0x00a7, 0x006f, 0x00e0 );
for($i = 0; $i < strlen($string); $i++) {
if(!in_array($string[$i], $valid_gsm_keycodes)) return false;
}
return true;
function is_gsm0338( $utf8_string ) {
$gsm0338 = array(
'@','Δ',' ','0','¡','P','¿','p',
'£','_','!','1','A','Q','a','q',
'$','Φ','"','2','B','R','b','r',
'¥','Γ','#','3','C','S','c','s',
'è','Λ','¤','4','D','T','d','t',
'é','Ω','%','5','E','U','e','u',
'ù','Π','&','6','F','V','f','v',
'ì','Ψ','\'','7','G','W','g','w',
'ò','Σ','(','8','H','X','h','x',
'Ç','Θ',')','9','I','Y','i','y',
"\n",'Ξ','*',':','J','Z','j','z',
'Ø',"\x1B",'+',';','K','Ä','k','ä',
'ø','Æ',',','<','L','Ö','l','ö',
"\r",'æ','-','=','M','Ñ','m','ñ',
'Å','ß','.','>','N','Ü','n','ü',
'å','É','/','?','O','§','o','à'
);
$len = mb_strlen( $utf8_string, 'UTF-8');
for( $i=0; $i < $len; $i++)
if (!in_array(mb_substr($utf8_string,$i,1,'UTF-8'), $gsm0338))
return false;
return true;
}
Я знаю, что это не php-код, но я думаю, что это все равно могло бы помочь.Вот как я делаю это в приложении, которое я написал, чтобы определить, возможно ли его отправлять как GSM 03.38 (вы могли бы сделать что-то подобное для обычного текста).В нем есть две таблицы перевода, одна для обычного GSM и одна для расширенного.А затем функция, которая перебирает все символы, проверяя, можно ли их преобразовать.
#define UCS2_TO_GSM_LOOKUP_TABLE_SIZE 0x100
#define NON_GSM 0x80
#define UCS2_GCL_RANGE 24
#define UCS2_GREEK_CAPITAL_LETTER_ALPHA 0x0391
#define EXTEND 0x001B
// note that the ` character is mapped to ' so that all characters that can be typed on
// a standard north american keyboard can be converted to the GSM default character set
static unsigned char Ucs2ToGsm[UCS2_TO_GSM_LOOKUP_TABLE_SIZE] =
{ /*+0x0 +0x1 +0x2 +0x3 +0x4 +0x5 +0x6 +0x7*/
/*0x00*/ NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM,
/*0x08*/ NON_GSM, NON_GSM, 0x0a, NON_GSM, NON_GSM, 0x0d, NON_GSM, NON_GSM,
/*0x10*/ NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM,
/*0x18*/ NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM,
/*0x20*/ 0x20, 0x21, 0x22, 0x23, 0x02, 0x25, 0x26, 0x27,
/*0x28*/ 0x28, 0x29, 0x2a, 0x2b, 0x2c, 0x2d, 0x2e, 0x2f,
/*0x30*/ 0x30, 0x31, 0x32, 0x33, 0x34, 0x35, 0x36, 0x37,
/*0x38*/ 0x38, 0x39, 0x3a, 0x3b, 0x3c, 0x3d, 0x3e, 0x3f,
/*0x40*/ 0x00, 0x41, 0x42, 0x43, 0x44, 0x45, 0x46, 0x47,
/*0x48*/ 0x48, 0x49, 0x4a, 0x4b, 0x4c, 0x4d, 0x4e, 0x4f,
/*0x50*/ 0x50, 0x51, 0x52, 0x53, 0x54, 0x55, 0x56, 0x57,
/*0x58*/ 0x58, 0x59, 0x5a, EXTEND, EXTEND, EXTEND, EXTEND, 0x11,
/*0x60*/ 0x27, 0x61, 0x62, 0x63, 0x64, 0x65, 0x66, 0x67,
/*0x68*/ 0x68, 0x69, 0x6a, 0x6b, 0x6c, 0x6d, 0x6e, 0x6f,
/*0x70*/ 0x70, 0x71, 0x72, 0x73, 0x74, 0x75, 0x76, 0x77,
/*0x78*/ 0x78, 0x79, 0x7a, EXTEND, EXTEND, EXTEND, EXTEND, NON_GSM,
/*0x80*/ NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM,
/*0x88*/ NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM,
/*0x90*/ NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM,
/*0x98*/ NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM,
/*0xa0*/ NON_GSM, 0x40, NON_GSM, 0x01, 0x24, 0x03, NON_GSM, 0x5f,
/*0xa8*/ NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM,
/*0xb0*/ NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM,
/*0xb8*/ NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, 0x60,
/*0xc0*/ NON_GSM, NON_GSM, NON_GSM, NON_GSM, 0x5b, 0x0e, 0x1c, 0x09,
/*0xc8*/ NON_GSM, 0x1f, NON_GSM, NON_GSM, NON_GSM, NON_GSM, NON_GSM, 0x60,
/*0xd0*/ NON_GSM, 0x5d, NON_GSM, NON_GSM, NON_GSM, NON_GSM, 0x5c, NON_GSM,
/*0xd8*/ 0x0b, NON_GSM, NON_GSM, NON_GSM, 0x5e, NON_GSM, NON_GSM, 0x1e,
/*0xe0*/ 0x7f, NON_GSM, NON_GSM, NON_GSM, 0x7b, 0x0f, 0x1d, NON_GSM,
/*0xe8*/ 0x04, 0x05, NON_GSM, NON_GSM, 0x07, NON_GSM, NON_GSM, NON_GSM,
/*0xf0*/ NON_GSM, 0x7d, 0x08, NON_GSM, NON_GSM, NON_GSM, 0x7c, NON_GSM,
/*0xf8*/ 0x0c, 0x06, NON_GSM, NON_GSM, 0x7e, NON_GSM, NON_GSM, NON_GSM
};
static unsigned char Ucs2GclToGsm[UCS2_GCL_RANGE + 1] =
{
/*0x0391*/ 0x41, // Alpha A
/*0x0392*/ 0x42, // Beta B
/*0x0393*/ 0x13, // Gamma
/*0x0394*/ 0x10, // Delta
/*0x0395*/ 0x45, // Epsilon E
/*0x0396*/ 0x5A, // Zeta Z
/*0x0397*/ 0x48, // Eta H
/*0x0398*/ 0x19, // Theta
/*0x0399*/ 0x49, // Iota I
/*0x039a*/ 0x4B, // Kappa K
/*0x039b*/ 0x14, // Lambda
/*0x039c*/ 0x4D, // Mu M
/*0x039d*/ 0x4E, // Nu N
/*0x039e*/ 0x1A, // Xi
/*0x039f*/ 0x4F, // Omicron O
/*0x03a0*/ 0X16, // Pi
/*0x03a1*/ 0x50, // Rho P
/*0x03a2*/ NON_GSM,
/*0x03a3*/ 0x18, // Sigma
/*0x03a4*/ 0x54, // Tau T
/*0x03a5*/ 0x59, // Upsilon Y
/*0x03a6*/ 0x12, // Phi
/*0x03a7*/ 0x58, // Chi X
/*0x03a8*/ 0x17, // Psi
/*0x03a9*/ 0x15 // Omega
};
bool Gsm0338Encoding::IsNotGSM( wchar_t szUnicodeChar )
{
bool result = true;
if( szUnicodeChar < UCS2_TO_GSM_LOOKUP_TABLE_SIZE )
{
result = ( Ucs2ToGsm[szUnicodeChar] == NON_GSM );
}
else if( (szUnicodeChar >= UCS2_GREEK_CAPITAL_LETTER_ALPHA) &&
(szUnicodeChar <= (UCS2_GREEK_CAPITAL_LETTER_ALPHA + UCS2_GCL_RANGE)) )
{
result = ( Ucs2GclToGsm[szUnicodeChar - UCS2_GREEK_CAPITAL_LETTER_ALPHA] == NON_GSM );
}
else if( szUnicodeChar == 0x20AC ) // €
{
result = false;
}
return result;
}
bool Gsm0338Encoding::IsGSM( const std::wstring& str )
{
bool result = true;
if( std::find_if( str.begin(), str.end(), IsNotGSM ) != str.end() )
{
result = false;
}
return result;
}
PHP6 будет иметь лучшую поддержку unicode, но есть несколько функций, которые вы можете использовать.
Моей первой мыслью было mb_convert_encoding но, как вы сказали, это сократит сообщения до 70 символов - так что, возможно, вы можете использовать это в сочетании с mb_detect_encoding?
Видишь: Многобайтовые функции
preg_match('/^[\x0A\x0C\x0D\x20-\x5F\x61-\x7E\xA0\xA1\xA3-\xA5\xA7'.
'\xBF\xC4-\xC6\xC9\xD1\xD6\xD8\xDC\xDF\xE0\xE4-\xE9\xEC\xF1'.
'\xF2\xF6\xF8\xF9\xFC'.
json_decode('"\u0393\u0394\u0398\u039B\u039E\u03A0\u03A3\u03A6\u03A8\u03A9\u20AC"').
']*$/u', $text)
или
preg_match('/^[\x0A\x0C\x0D\x20-\x5F\x61-\x7E\xA0\xA1\xA3-\xA5\xA7\xBF\xC4-\xC6\xC9\xD1\xD6\xD8\xDC\xDF\xE0\xE4-\xE9\xEC\xF1\xF2\xF6\xF8\xF9\xFCΓΔΘΛΞΠΣΦΨΩ€]*$/u', $text)
