php, charset och olika språk

Detta används för att kringgå databasens egen encoding och är, anser jag, ett nödtvång som inte ska användas om man själv administrerar databasen. Ungefär som att använda ä för att representera bokstaven ä i HTML.

Oj, läste godtyckligt verkar det som
Är filerna sparade med UTF-8-encoding också så borde det fungera. Tycker definitivt att det är värt att kolla på, annars är det i stort sett meningslöst att använda sig av charset utf-8.

edit: jag är trött. Du skriver att de genereras fram så jag förmodar att de helt enkelt skapas utan rätt encoding.

public static function to_utf8($in)
{
        if (is_array($in)) {
            foreach ($in as $key => $value) {
                $out[to_utf8($key)] = to_utf8($value);
            }
        } elseif(is_string($in)) {
            if(mb_detect_encoding($in) != "UTF-8")
                return utf8_encode($in);
            else
                return $in;
        } else {
            return $in;
        }
        return $out;
}

for ($row = 0; $row < count($dbarray); $row++) {
    echo utf8_encode($dbarray[$row]["Key"]);
}

utf8_encode/_decode av- och påkodar bara ISO-8859-1. Det är det som gör det till en så knäpp lösning (och en av många anledningar till att PHP är ett så bloatat språk) enligt mig. Om alla dina filer är i utf-8 så ska problemet inte uppstå. Har källan en annan encoding så fungerar det bara om den är iso-8859-1, annars löper du risk att få en ny sorts skräp istället. Windows-1252 är ett exempel på en relativt vanlig encoding som inte fungerar. Andra ISO-8859-X får samma problem.

Jag skulle ha sett till att alla datakällor – filer, databaser, whatever – använder sig av utf-8, eller skita i det och köra ISO-8859-1.

[quote=någon på php.net]Note that you should only use utf8_encode() on ISO-8859-1 data, and not on data using the Windows-1252 codepage. Microsoft's Windows-1252 codepage contains ISO-8859-1, but it includes several characters in the range 0x80-0x9F whose codepoints in Unicode do not match the byte's value (in Unicode, codepoints U+80 - U+9F are unassigned).

utf8_encode() simply assumes the bytes integer value is the codepoint number in Unicode.

E.g. in 1252, byte 0x80 is the euro sign, which is U+20AC. The same goes for curly quotes, em dashes, etc.

utf8_encode() will convert 0x80 into U+0080 (an unassigned codepoint) rather than U+20AC.

To convert 1252 to UTF-8, use iconv, recode or mbstring.[/quote]