UTF8工作流程PHP、MySQL总结[关闭]

我正在为拥有不同字母表的国际客户工作，因此我试图最终了解 PHP 和 MySQL 之间的完整工作流程，以确保正确插入所有字符编码。我已经阅读了很多关于这方面的教程，但仍然有疑问（有很多东西需要学习），并且我想我可以将它们放在一起并询问。

PHP

header('Content-Type:text/html; charset=UTF-8');
mb_internal_encoding('UTF-8');

HTML

<meta http-equiv="Content-Type" content="text/html;charset=UTF-8">
<form accept-charset="UTF-8"> .. </form>

（虽然后者是可选的，而是一个建议，但我相信我宁愿建议不做任何事情）

MySQL

CREATE database_name DEFAULT CHARACTER SET utf8; or ALTER database_name DEFAULT CHARACTER SET utf8;和/或使用utf8_general_ci作为 MySQL 连接排序规则。

(it is 重要的是要注意如果使用 varchar，这会增加数据库大小）

联系

mysql_query("SET NAMES 'utf8'");
mysql_query("SET CHARACTER_SET utf8");

商业逻辑

检测是否不是 UTF8mb_detect_encoding()并转换为ivon().
验证过长的 UTF8 和 UTF16 序列

$body=preg_replace('/[\x00-\x08\x10\x0B\x0C\x0E-\x19\x7F]|(?<=^|[\x00-\x7F])[\x80-\xBF]+|([\xC0\xC1]|[\xF0-\xFF])[\x80-\xBF]*|[\xC2-\xDF]((?![\x80-\xBF])|[\x80-\xBF]{2,})|[\xE0-\xEF](([\x80-\xBF](?![\x80-\xBF]))|(?![\x80-\xBF]{2})|[\x80-\xBF]{3,})/','�',$body);
$body=preg_replace('/\xE0[\x80-\x9F][\x80-\xBF]|\xED[\xA0-\xBF][\x80-\xBF]/S','?', $body);

问题

• is mb_internal_encoding('UTF-8')在 PHP 5.3 及更高版本中是必需的，如果是这样，这是否意味着我必须使用所有多字节函数而不是其核心函数，例如mb_substr()代替substr()?

• 是否仍然需要检查格式错误的输入字符串，如果需要，什么是可靠的函数/类来执行此操作？我可能不想删除坏数据并且对音译了解不够。

• 真的应该是吗utf8_general_ci更确切地说utf8_bin?

• 上述工作流程中是否缺少某些内容？

来源：

http://coding.smashingmagazine.com/2012/06/06/all-about-unicode-utf8-character-sets/  
http://webcollab.sourceforge.net/unicode.html  
http://stackoverflow.com/a/3742879/1043231  
http://www.adayinthelifeof.nl/2010/12/04/about-using-utf-8-fields-in-mysql/  
http://akrabat.com/php/utf8-php-and-mysql/  

• mb_internal_encoding('UTF-8')本身不做任何事情，它只为每个设置默认编码参数mb_功能。如果您没有使用任何mb_功能，没有什么区别。如果是的话，设置它是有意义的，这样你就不必通过$encoding每次单独参数。
• IMO mb_detect_encoding几乎没有用，因为从根本上不可能准确检测未知文本的编码。您应该知道文本 blob 的编码方式，因为您有关于它的规范，或者您需要解析适当的元数据，例如指定编码的标头或元标记。
• Using mb_check_encoding检查一团文本在您期望的编码中是否有效通常就足够了。如果不是，则丢弃它并抛出适当的错误。

• 关于：

  这是否意味着我必须使用所有多字节函数而不是其核心函数

  如果您正在操作包含多字节字符的字符串，那么是的，您需要使用mb_函数以避免得到错误的结果。核心字符串函数仅在字节级别上工作，而不是在字符级别上工作，而字符级别是您在处理字符串时通常需要的。

• utf8_general_ci vs. utf8_bin只有当整理，即对字符串进行排序和比较。和utf8_bin数据以二进制形式处理，即只有相同的数据才是相同的。和utf8_general_ci应用了一些逻辑，例如“é”与“e”一起排序，大写字母被视为等于小写字母。