当前位置: 王朝网络 >> other >> CMS中文编码问题分析及解决方案

CMS中文编码问题分析及解决方案

王朝other·作者佚名 2006-01-09

开题注: 有意见认为采用UTF-8编码将解决一切语言编码问题。我不同意这种意见: 其一对于中文用户，简体和繁体用户不习惯江两种编码字混排阅读；其二，目前大量网站采用GB/BIG5编码，而MB/ICONV对GB/BIG5 – UTF-8转换的支持并不理想。

CMS 的开发中必须要面对语言问题，主要是指多字节处理，包括encoding charset转换、字长计算等。一般来说，普通的多字节问题可以借助MB/ICONV等模块解决，但是对于中文来说，PHP自带的这两个模块支持不完善. XOOPS 中文版采用了xconv模块 – iconv for XOOPS。该模块使用了查找替换方法，效率低，但也是没有办法的办法。[ XOOPS 可以自由选择编码方式，如果你选择UTF-8编码，以下内容权作茶资]

本文将尝试作如下分析[按现有资料是否齐备计序，不考虑逻辑和时间顺序]: big5冲码问题简介、分析及解决方案; xconv模块介绍及使用; 多字节问题介绍及处理方案.

一 BIG5冲码问题分析及解决方案

在处理big5编码时，有个著名的问题”許蓋功”—-BIG5冲码是必须要面对的，下边将摘录部分来自台湾的资料。

淺談許蓋功

許蓋功何許人也？

許蓋功這號人物，只要曾經用過php+mysql架站的人，無人不知無人不曉，且絕對是這些架站人心中永遠的痛….

(摘自osCommerce購物網站架設實戰)

仔細探究原因，你會發現，錯的人其實不該是許蓋功，而是通稱大五碼的BIG5碼，關於大五碼的歷史傳說眾說紛紜，無一定論。我們並不評論當初編碼的對錯與是非，對這歷史有興趣的讀者不妨到google搜尋"BIG5″，相信可以找到一堆資料。

既然大五碼聽來似乎有些問題，為何目前幾乎所有的繁體中文卻又都採用此一編碼呢？在西元1983-1984年間，個人電腦正在台灣逐漸推廣，電腦上的套裝軟體也開始盛行，為了解決電腦處理中文的問題，因而制定一套中文內碼，也就是我們通稱的"BIG5碼"，又稱大五碼。而經歷過這段時間的人，一定不會忘記當初倚天中文的行銷手法，在國外軟體廠商開始引進原版軟體觀念的當時，倚天中文卻反其道而行，允許校園甚至一般使用者無條件且免費複製其中文系統，因此，讓倚天中文在當時幾乎成為中文的標準，也由於倚天中文正是採用BIG5編碼，嚴格說來，也就是BIG5碼為何一直沿用到現今的主要原因了。

大五碼錯在哪裡？

錯在編碼時沒有把美國標準資訊交換碼 ASCII(American Standard Code for Information Interchange)的控制碼排除在外，凡是唸過計算機概論的人都知道ASCII是以byte為單位，又1 byte=8 bits，所以ASCII最多可以編2^8=256個字元，對於只有26個字母的英文語系國家來說已綽綽有餘，但對於有幾萬字的中文絕對不夠，因此必須用兩個byte來代表一個中文字，如"中"字的編碼即是"A4A4″。然而，BIG5碼設計時為了避免與ASCII衝突，每個中文字的第一個byte僅使用 ASCII裡的高字元(129-255)，但在第二個byte卻用到了部分低字元(1-128)，這正是BIG5碼在日後應用上造成極大不便的最大幫兇了。

為何BIG5碼專找php+mysql麻煩？

原因有三：

一、sql隱碼問題：

我們知道，如果要在mysql資料庫中擷取得資料時的語法為：

select * from administrator where id=’ABC’ and passwd=’1234′

假設我有一個login.php的網頁，內容是用來輸入id和passwd值的表單(from)，若有人直接於網址列輸入：

由於%20會被瀏覽器解譯為空白，因此最後丟到mysql的sql語法是：

select * from administrator where id=’ABC’ and passwd='’ or 1=1 or 1='’

這是一個恆為真的式子，騙過了驗證而取得administrator的權限。

因此，單引號變成了頭號隱形殺手。

二：php 的跳脫字元

5C在php裡面是被拿來當跳脫字元，也就是說當變數裡面的文字帶有、單引號或雙引號時，為了要可以正確顯示這些特殊字元，通常需要多加一個＼，常見的例子如:

<?php

echo ”<table border=＼"0＼”>”;

如果沒加，立刻會出現錯誤訊息：

Parse error: parse error, unexpected T_LNUMBER, expecting ‘,’ or ‘;’ in c:appservwwwcode.php on line 2

這樣，問題就來了，當我們要插入一筆資料到資料庫如：

INSERT INTO mytable VALUES (’許蓋功’);

由於功的第二個byte是 5C ，加上後面接的是單引號，因此經過解譯之後，最後面的單引號卻認定為文字，因而導致sql語法少了最後那個單引號，當然就寫不進資料庫而發生錯誤了。

三、addslashes與stripslashes函數：

為了解決單引號可能被用來當成攻擊資料庫的工具，一般在寫php程式時會利用addslashes函數將變數裡的單引號前加入一個跳脫字元，如上述原本在passwd輸入：

‘ or 1=1 or 1=’

可以騙過驗證，在經過addslashes函數處理後變成：

＼‘ or 1=1 or 1=＼’

這樣便可以避免單引號被用來當成攻擊資料庫的工具了。但是，如此一來，跳脫字元會被當成輸入文字直接寫入資料庫內，因此，當我們寫入資料庫時若用了 addslashes函數，從資料庫取出該筆資料時就必須使用stripslashes將刪去，否則顯示出來的資料就會多一個的跳脫字元了。

BIG5不只找php麻煩，連unix都倖免於難

7C 是 ASCII 裡的 pipe ‘|’ 用過 unix 的應該知道它是作什麼的，舉一個簡單的例子，如果你用 ftp 上傳一個 “四.doc” 的檔名到 unix ，傳完後立刻變成 “北.doc’，我想太多人有過這種經驗，原因無他，中文字 “四” 的 BIG5 碼是"A57C"，當 unix 看到 7C 時會覺得莫名其妙，上傳一個 “|” 給我做什麼？於是就自己處理掉了…

因此，你可以想像只要是中文字第二個byte是 “7C” 的，保證也都難逃BIG5的魔掌。

許蓋功的解決之道

一、去除程式裡出現問題那段程式碼裡的STRIPSLASHES函數，如此，除了顯示"許蓋功"時可能變成"許蓋功"之外，似乎沒有太大的問題，但是，MYSQL server的隱碼及跳脫字元問題還是存在的。

二、使用big5_func字串處理函數集

如果你曾經仔細研究筆者在OSC裡處理許蓋功的方法，你應該就會發現[webroot] /catalog/includes/languages/tchinese 目錄下有一個叫big5_func的資料夾，其實就是網路上的高人為了解決BIG5的問題而寫的函數集，我們稱之為"big5 字串處理函數集"。

後記

由於BIG5所造成的問題幾乎無所不在，筆者認為除非BIG5有一個完整的補救計劃，否則許蓋功將會一直困擾著所有架站人。在此，筆者也試圖透過這樣的說明，讓每一位想架站卻又遭受此一問題困擾的人自己找到解決的辦法。最後在此也特別聲明，BIG5的問題可能不只這些，也可能相當棘手，甚至超出筆者所能解決的範圍，但，如果你有任何問題，也歡迎你到網路甘仔店社群提出，相信我們有許多熱心的人可以一同來解決BIG5的問題。

Big5碼中容易衝碼的文字

— garylee

Big5中由於當初設計上的疏失，導致一些屬於控制字元的資料容易引起一些程式環境的誤判。造成顯示出來的中文字不是我們想要的結果。所以我們在寫程式的時候對於中文的處理要特別小心。下面列出了一些容易引發衝碼的文字，寫程式的人，最好都能夠測試下面的字在你的程式中可以正確無誤的被使用。

ASCII(5C) == “\”

A45C么

AE5C娉

B85C稞

C25C擺

A55C功

AF5C珮

B95C鈾

C35C黠