यूनिकोड 6 समर्थन के साथ php पर Utf-8 json जनरेटर

बेशक, PHP में एक शानदार json_encode फ़ंक्शन है। लेकिन संस्करण 5.3 समावेशी होने तक, एक ही रूसी अक्षर \ uXXXX के रूप में एन्कोड किए जाते हैं - कई बार utf-8 की तुलना में लंबे समय तक। ट्रैफ़िक की मात्रा को कम करने के लिए, यू-सीक्वेंस में utf-8 वर्ण रूपांतरण को हटाना आवश्यक है। हां, PHP 5.4 में, json_encode को आखिरकार JSON_UNESCAPED_UNICODE पैरामीटर मिला, लेकिन कई होस्टर्स अभी भी उपयोगकर्ताओं को केवल 5.2 और 5.3 संस्करणों के बीच एक विकल्प प्रदान करते हैं।

मैं दूसरी बाइक का आविष्कार नहीं करूंगा, लेकिन मेरे पास जो समाधान हैं, उनमें एक आम समस्या है - वे केवल यूनिकोड बेस प्लेन के प्रतीकों को सही ढंग से संसाधित करते हैं।

विधि, विभिन्न संशोधनों में, इंटरनेट पर व्यापक रूप से फैली हुई है, यह है कि json_encode फ़ंक्शन का परिणाम फ़िल्टर द्वारा संसाधित होता है जो utf-8 वर्णों के साथ \ uXXXX की सभी घटनाओं को प्रतिस्थापित करता है। उदाहरण के लिए, इस तरह:

class Json{ static function json_encode($data){ return preg_replace_callback('/\\\\u([0-9a-f]{4})/i', function($val){ return mb_decode_numericentity('&#'.intval($val[1], 16).';', array(0, 0xffff, 0, 0xffff), 'utf-8'); }, json_encode($data) ); } } 

और इस कोड ने काम किया ... तब तक, जब तक यूनिकोड इमोजी के लिए समर्थन जोड़ना आवश्यक नहीं था (यूनिकोड 6 मानक में इमोटिकॉन्स जोड़े गए थे), जिनमें से अधिकांश में 0x1F000 (पहले यूनिकोड विमान) से अधिक कोड हैं।

तथ्य यह है कि \ u- अनुक्रम utf-16 में एन्कोड किए गए हैं: 0x0000 से 0xFFFF ("विंडो" 0xD800-0xDFFF को छोड़कर) कोड के साथ एक वर्ण (2 बाइट्स) प्रति वर्ण और कोड के साथ 2 शब्द (4 बाइट्स) 0xD800-0xDFFF के लिए 0xFFFF से अधिक कोड वाले वर्ण।

उदाहरण के लिए, कोड 0x1f601 के साथ मूल यूनिकोड वर्ण, utf-8 प्रतिनिधित्व "\ xf0 \ x9f \ x98 \ x81" होने पर, स्ट्रिंग के लिए json_dencode फ़ंक्शन द्वारा परिवर्तित किया जाएगा \ n ud83d \ ude01 "और उपरोक्त फ़ंक्शन का परिणाम स्ट्रिंग" \ xed \ "होगा। xa0 \ xbd \ xed \ xb8 \ x81 "। एक 4-बाइट वर्ण के बजाय, दो 3-बाइट वर्ण प्राप्त हुए थे।

इस प्रकार, वर्णों के सामान्य प्रसंस्करण के लिए, कोड का विश्लेषण और 2 चरित्र \ u- अनुक्रमों का एक अलग परिवर्तन आवश्यक है। उदाहरण के लिए, इस तरह:

 class Json{ static public $_code; static public function json_encode($data){ Json::$_code=0; return preg_replace_callback('/\\\\u([0-9a-f]{4})/i', function($val){ $val=hexdec($val[1]); if(Json::$_code){ $val=((Json::$_code&0x3FF)<<10)+($val&0x3FF)+0x10000; Json::$_code=0; }elseif($val>=0xD800&&$val<0xE000){ Json::$_code=$val; return ''; } return html_entity_decode(sprintf('&#x%x;', $val), ENT_NOQUOTES, 'utf-8'); }, json_encode($data) ); } } 

यह विकल्प किसी भी utf-8 अक्षर को सही ढंग से परिवर्तित करता है।

पीएस मैं पूरी तरह से समझता हूं कि उपरोक्त कोड इष्टतम से बहुत दूर है। लेकिन यह मेरे कार्यों के लिए पर्याप्त है - प्रदर्शन। और सभी आविष्कार किए गए विकल्पों की गति की तुलना करने के लिए बस बहुत आलसी है। यहाँ, उदाहरण के लिए, एक विकल्प है जो विश्लेषण को नियमित अभिव्यक्ति में बदलता है:

 class Json{ static public function json_encode($data){ return preg_replace_callback('/\\\\ud([89ab][0-9a-f]{2})\\\\ud([cf][0-9a-f]{2})|\\\\u([0-9a-f]{4})/i', function($val){ return html_entity_decode( empty($val[3])? sprintf('&#x%x;', ((hexdec($val[1])&0x3FF)<<10)+(hexdec($val[2])&0x3FF)+0x10000): '&#x'.$val[3].';', ENT_NOQUOTES, 'utf-8' ); }, json_encode($data)); } } 

PPS HTML_entity_decode कॉल कॉलबैक फ़ंक्शन में डाली जाती हैं क्योंकि संसाधित डेटा में html कोड शामिल हो सकते हैं जिनमें उपयोगिता HTML इकाइयां ('<', '>', 'और', आदि) शामिल हैं, जिन्हें वर्णों में परिवर्तित नहीं किया जाना चाहिए। ।