|
Même si la plupart des langues peuvent être représentées grâce à un jeu de 128 caractères, il y a d'autres langues qui requièrent des jeux de caractères bien plus grands. Des méthodes de caractères multi-octets ont été développées pour résoudre ce type de problème.
Lorsque vous manipulez des chaînes de caractères multi-octets, pour couper, rechercher ou nettoyer une chaîne, vous devez utiliser deux octets consécutifs, qui représentent un seul caractère. Si vous n'y prenez pas garde, vous allez obtenir une chaîne corrompue et invalide, avec une représentation totalement incompréhensible.
mbstring fournit les fonctions spécifiques de manipulations des chaînes multi-octets pour PHP, qui ne supporte que les jeux mono-octets. De plus, mbstring gère la traduction entre les jeux de caractères disponibles.
mbstring est aussi connu pour gérer l'Unicode, comme UTF-8 et UCS-2 ainsi que de nombreux autres jeux mono-octets, même si mbstring a été conçu à la base pour les pages web japonaises.
Les jeux de caractères suivants sont bien supportés par PHP.
Jeux de caractères mono-octets :
qui sont compatibles avec la norme ASCII (compatible ISO646) pour les caractères de l'intervalle 00h à 7fh.
Jeux de caracètres multi-octets :
qui sont compatibles avec la norme ASCII (compatible ISO646) pour les caractères de l'intervalle 00h à 7fh.
qui n'utilisent pas les séquences de type ISO2022.
qui n'utilisent pas de valeur dans l'intervalle 00h à 7fh dans les séquences composées, qui représentent un caractère unique.
Les jeux de caractères suivants risquent de ne pas fonctionner en PHP.
Même si aucun script PHP écrit avec ces jeux de caractères ne fonctionne, notamment si des chaînes encodées sont utilisées comme identifiants, ou valeurs littérales dans le script, vous pouvez éviter d'utiliser ces jeux en activant le filtre transparent mbstring pour les données d'entrées HTTP.
Note : Il est déconseillé d'utiliser les jeux SJIS, BIG5, CP936, CP949 et GB18030 pour l'encodage interne, à moins que vous ne soyez très familiers avec l'analyseur, le scanneur et le jeu de caractère lui-même.
Note : Si vous avez une base de données connectée à PHP, il est recommandé d'utiliser le même jeu de caractères dans la base et comme jeu interne pour améliorer le confort d'utilisation et les performances.
Si vous utilisez PostgreSQL, le jeu de caractères utilisé dans la base de données et celui de PHP peuvent différer car cette base supporte la traduction automatique de jeu de caractères.
mbstring est un module PHP. Vous devez activer le module avec le script de configuration configure. Reportez-vous à la section installation pour plus de détails.
Les options de configurations suivantes sont liées au module mbstring.
--enable-mbstring=LANG : Active les fonctions mbstring. Cette option est nécessaire pour utiliser les fonctions mbstring.
A partir de PHP 4.3.0, l'option --enable-mbstring sera activée par défaut, et remplacée par --with-mbstring[=LANG] pour supporter le chinois, coréen et russe. Le jeu de caractères japonais est supporté par défaut. Si --with-mbstring=cn est utilisé, le chinois simplifié sera supporté. Si --with-mbstring=tw est utilisé, le chinois traditionnel sera supporté. Si --with-mbstring=kr est utilisé, le coréen sera supporté. Si --with-mbstring=ru est utilisé, le russe sera supporté. Si --enable-mbstring=ja est utilisé, le japonais sera supporté.
Si --enable-mbstring=all est utilisé, tous les langages ci-dessus seront activés.
Note : Le japonais est aussi activé avec --enable-mbstring sans autre option pour une campatibilité ascendante.
--enable-mbstr-enc-trans : Active la conversion automatique des données par HTTP, avec le moteur de conversion de mbstring. Si cette option est activée, les données venants du web via HTTP seront converties dans le jeu de caractères mbstring.internal_encoding, automatiquement.
Note : Depuis PHP 4.3.0, l'option --enable-mbstr-enc-trans sera éliminée, et remplacée par mbstring.encoding_translation. La conversion de jeu de caractères d'entrée HTTP sera activée lorsque cette option sera à On (par défaut, cette option vautOff).
--enable-mbregex : active les fonctions d'expressions rationnelles, compatibles avec les caractères multi-octets.
Le comportement de ces fonctions est affecté par la configuration dans le fichier php.ini.
Tableau 1. Options de configuration
Nom | Par défaut | Modifiable | Historique |
---|---|---|---|
mbstring.language | "neutral" | PHP_INI_PERDIR | Disponible depuis PHP 4.3.0 |
mbstring.detect_order | NULL | PHP_INI_ALL | Disponible depuis PHP 4.0.6 |
mbstring.http_input | "pass" | PHP_INI_ALL | Disponible depuis PHP 4.0.6 |
mbstring.http_output | "pass" | PHP_INI_ALL | Disponible depuis PHP 4.0.6 |
mbstring.internal_encoding | NULL | PHP_INI_ALL | Disponible depuis PHP 4.0.6 |
mbstring.script_encoding | NULL | PHP_INI_ALL | Disponible depuis PHP 4.3.0 |
mbstring.substitute_character | NULL | PHP_INI_ALL | Disponible depuis PHP 4.0.6 |
mbstring.func_overload | "0" | PHP_INI_PERDIR | PHP_INI_SYSTEM en PHP <= 4.2.3. Disponible depuis PHP 4.2.0 |
mbstring.encoding_translation | "0" | PHP_INI_PERDIR | Disponible depuis PHP 4.3.0 |
Voici un éclaircissement sur l'utilisation des directives de configuration.
Définit le langage utilisé par mbstring. Notez que cette option définit mbstring.internal_encoding mbstring.internal_encoding doit être placé après mbstring.language dans le fichier php.ini
Active la détection et la traduction des données d'entrées HTTP vers le codage interne mbstring.
Définit l'encodage interne par défaut.
Définit l'encodage de réception HTTP par défaut.
Définit l'encodage d'affichage HTTP par défaut.
Définit l'ordre de détection des encodages par défaut. Voir aussi mb_detect_order().
Définit l'encodage de substitution par défaut : il est utilisé pour les caractères invalides.
Remplace les fonctions de traitement des chaînes par les fonctions mbstring. Voir les fonctions de remplacement pour plus d'informations.
En accord avec HTML 4.01 specification, les navigateurs sont supposés utiliser le même jeu de caractères lorsqu'ils soumettent un formulaire. Mais, tous les navigateurs ne le font pas. Reportez-vous à la fonction mb_http_input() pour détecter les jeux de caractères utilisés par les navigateurs.
En général, les navigateurs sont suffisamment intelligents pour détecter les jeux de caractères dans le HTML. Si charset est activé dans les en-têtes, cela donnera de meilleurs résultats. Changez la valeur de default_charset avec la valeur appropriée dans le fichier ini.
Exemple 3. Configuration de php.ini pour les utilisateurs de EUC-JP
|
Exemple 4. Configuration de php.ini pour les utilisateurs de SJIS
|
Cette extension ne définit aucune ressource.
Ces constantes sont définies par cette extension, et ne sont disponibles que si cette extension a été compilée avec PHP, ou bien chargée au moment de l'exécution.
La conversion automatique des entrées/sorties HTTP peut aussi convertir des données binaires. Les utilisateurs doivent contrôler les conversions, si des données binaires doivent être utilisées via HTTP.
Note : Depuis la version 4.3.2 de PHP, il y a une limitation dans l'utilisation des fonctionnalités mbstring : l'encodage ne sera pas effectué dans les données transmises en méthode POST si l'attribut enctype de la balise form vaut multipart/form-data. Donc, vous devrez convertir les données entrantes vous-même dans ce cas, si nécessaire.
Depuis la version 4.3.3 de PHP, si l'attribut enctype de la balise form vaut multipart/form-data et que la directive du php.ini est positionnée à On, les variables et les noms de fichiers téléchargés en méthode POST seront convertis avec l'encodage interne. Sinon, la conversion ne sera pas faite.
Entrée HTTP
Il n'y a pas de moyens de contrôler la conversion des caractères HTTP en entrée, depuis un script PHP. Pour désactiver cette conversion, il faut le faire dès le fichier php.ini.
Lorsque vous utilisez PHP comme module Apache, il est possible d'annuler la configuration du php.ini pour chaque Virtual Host dans le fichier httpd.conf ou par dossier avec le fichier .htaccess. Reportez-vous à la section de configuration ainsi qu'au manuel Apache.
Sorties HTTP
Il y a plusieurs moyens d'activer la conversion en sortie de script PHP. L'un d'entre eux utilise php.ini, un autre utilise ob_start() avec la fonction mb_output_handler() comme fonction de call-back.
Note : Pour les utilisateurs PHP3-i18n, le système de conversion de mbstring diffère de celui de PHP3-i18n. Le jeu de caractère est converti avec un buffer de sortie.
Actuellement, les jeux de caractères suivants sont supportés par mbstring. L'encodage de caractère peut être spécifié par les paramètres encoding dans les fonctions mbstring.
Les jeux de caractères suivants sont supportés par mbstring :
UCS-4
UCS-4BE
UCS-4LE
UCS-2
UCS-2BE
UCS-2LE
UTF-32
UTF-32BE
UTF-32LE
UTF-16
UTF-16BE
UTF-16LE
UTF-7
UTF7-IMAP
UTF-8
ASCII
EUC-JP
SJIS
eucJP-win
SJIS-win
ISO-2022-JP
JIS
ISO-8859-1
ISO-8859-2
ISO-8859-3
ISO-8859-4
ISO-8859-5
ISO-8859-6
ISO-8859-7
ISO-8859-8
ISO-8859-9
ISO-8859-10
ISO-8859-13
ISO-8859-14
ISO-8859-15
byte2be
byte2le
byte4be
byte4le
BASE64
HTML-ENTITIES
7bit
8bit
EUC-CN
CP936
HZ
EUC-TW
CP950
BIG-5
EUC-KR
UHC (CP949)
ISO-2022-KR
Windows-1251 (CP1251)
Windows-1252 (CP1252)
CP866 (IBM866)
KOI8-R
Les entrées du fichier php.ini, qui acceptent des noms de jeux de caractères, acceptent aussi les valeurs "auto" et "pass". Les fonctions mbstring, qui acceptent des noms de jeux de caractères, acceptent aussi la valeur "auto".
Si "pass" est utilisée, aucune conversion n'est effectuée.
Si "auto" est défini, la liste sera étendue à la liste des encodages définis par NLS. Par exemple, si NLS vaut Japanese, les valeurs seront "ASCII,JIS,UTF-8,EUC-JP,SJIS".
Voir aussi mb_detect_order().
Comme presque tout PHP est écrit pour des langues qui sont simple octets, il y a des difficultés à gérer le japonais. Toutes les fonctions PHP de gestion des chaînes de caractères, comme substr() ne supportent par les chaînes multi-octets.
L'extension Multibyte (multi-octets, alias mbstring) dispose de fonctions de chaînes, qui supportent le multi-octet, comme mb_substr(), qui est un remplaçant de substr().
mbstring supporte aussi le remplacement de fonction, pour permettre le support des chaînes multi-octets sans modifier les scripts PHP. En utilisant ce système de remplacement de fonctions, certains fonctions PHP seront remplacées par leur équivalent de mbstring. Par exemple mb_substr() remplacera substr(). Ce système de remplacement transparent, permet un portage simple et efficace des applications.
mbstring.func_overload, dans le php.ini, doit être configuré avec une valeur positive : 1 remplace la fonction d'envoi de mail ; 2 active les fonction de chaînes ; 4 active les fonctions d'expression rationnelles. Par exemple, avec la valeur 7, toutes les fonctions possibles sont remplacées. Voici la liste complète des fonctions remplacées, avec leur fonction de remplacement.
Tableau 2. Fonctions de remplacement
Valeur de mbstring.func_overload | Fonction originale | Fonction de remplacement |
---|---|---|
1 | mail() | mb_send_mail() |
2 | strlen() | mb_strlen() |
2 | strpos() | mb_strpos() |
2 | strrpos() | mb_strrpos() |
2 | substr() | mb_substr() |
2 | strtolower() | mb_strtolower() |
2 | strtoupper() | mb_strtoupper() |
2 | substr_count() | mb_substr_count() |
4 | ereg() | mb_ereg() |
4 | eregi() | mb_eregi() |
4 | ereg_replace() | mb_ereg_replace() |
4 | eregi_replace() | mb_eregi_replace() |
4 | split() | mb_split() |
Note : Il n'est pas recommandé d'utiliser les options des fonctions d'overloading dans un contexte de per-directory, car il n'est pas confirmé encore qu'elles sont suffisamment stables dans un environnement de production et peuvent conduire à un résultat incohérent.
La plupart des caractères japonais demandent plus d'un octet pour être représentés. De plus, plusieurs jeux de caractères japonais existent : il y a notamment EUC-JP, Shift_JIS et ISO-2022-JP. Unicode devient de plus en plus populaire, et UTF-8 aussi. Pour développer des applications Web en environnement japonais, il faut savoir que les encodages ci-dessus dépendent de l'application qu'on en fait : entrée/sortie HTTP, bases de données ou courrier électronique.
La taille nécessaire à un caractère peut aller jusqu'à 4 octets.
Un caractère multi-octets occupe généralement deux octets, à comparer avec les caractères simple-octet traditionnellement utilisés. Les caractères les plus gros sont appelés "zen-kaku" (i.e. grande largeur) et les plus petits sont appelés "han-kaku" (i.e. demi-largeur). Les caractères "zen-kaku" sont généralement de taille constante.
Certains encodages de caractères définissent des séquences de début/fin pour les sections multi-octets (00h to 7fh).
ISO-2022-JP doit être utilisé pour les protocoles SMTP/NNTP, et les en-têtes ainsi que les entitiés devraient être réencodés en accord avec la RFC correspondante. Bien que cela ne soit pas requis, ca reste une bonne idée car beaucoup de user-agent (agents utilisateurs) populaires ne peuvent pas reconnaître d'autre méthode d'encodage.
Les pages Web créées pour les téléphones portables comme i-mode, Vodafone live!, ou EZweb sont supposées utiliser l'encodage Shift_JIS.
Les jeux de caractères multi-octets et leurs techniques sont très complexes. Il n'est pas possible de couvrir tous les aspects en détails ici. Reportez-vous aux URL suivantes pour d'autres ressouces complémentaires :
Unicode/UTF/UCS/etc
Japonais/coréen/Chinois
Jeux de caractères supportés
Nom dans le registre IANA: ISO-10646-UCS-4
Jeux de caractères: ISO 10646
Description: Le jeu de caractères universel (Universal Character Set), avec 31 bits par caractère, au standard UCS-4 par ISO/IEC 10646. Il est synchronisé avec la dernière version d'Unicode.
Notes: Si ce nom est utilisé dans l'outil de conversion, le convertisseur essaie de reconnaitre le texte à partir du dernier BOM (byte order mark), pour connaître l'ordre des bits.
Nom dans le registre IANA: ISO-10646-UCS-4
Jeux de caractères: UCS-4
Description: Voir ci-dessus.
Notes: Contrairement à UCS-4, les chaînes sont supposées être au format big endian.
Nom dans le registre IANA: ISO-10646-UCS-4
Jeux de caractères: UCS-4
Description: Voir ci-dessus.
Notes: Contrairement à UCS-2, les chaînes sont supposées être au format little endian.
Nom dans le registre IANA: ISO-10646-UCS-2
Jeux de caractères: UCS-2
Description: Le jeu de caractères universel (Universal Character Set), avec 16 bits par caractère, au standard UCS-2 par ISO/IEC 10646. Il est synchronisé avec la dernière version d'Unicode.
Notes: Si ce nom est utilisé dans l'outil de conversion, le convertisseur essaie de reconnaitre le texte à partir du dernier BOM (byte order mark), pour connaître l'ordre des bits.
Nom dans le registre IANA: ISO-10646-UCS-2
Jeux de caractères: UCS-2
Description: Voir ci-dessus.
Notes: Contrairement à UCS-4, les chaînes sont supposées être au format big endian.
Nom dans le registre IANA: UTF-32
Jeux de caractères: Unicode
Description: Format de transformation d'Unicode, de 32 bits, dont les cartes correspondent au jeu stantder Unicode. Ce jeu n'est pas identique à UCS-4 car les caractères Unicode étaient limités à des valeurs de 21 bits.
Notes: Si ce nom est utilisé dans l'outil de conversion, le convertisseur essaie de reconnaitre le texte à partir du dernier BOM (byte order mark), pour connaître l'ordre des bits.
Nom dans le registre IANA: UTF-32BE
Jeux de caractères: Unicode
Description: Voir ci-dessus.
Notes: Contrairement à UTF-32, les chaînes sont supposées être au format big endian.
Nom dans le registre IANA: UTF-32LE
Jeux de caractères: Unicode
Description: Voir ci-dessus.
Notes: Contrairement à UTF-32, les chaînes sont supposées être au format little endian.
Nom dans le registre IANA: UTF-16
Jeux de caractères: Unicode
Description: Format de transformation d'Unicode sur 16 bits. Il faut noter que UTF-16 n'est plus identique à UCS-2 car un mécanisme a été introduit en Unicode 2.0 et UTF-16 fait maintenant référence à un codage de 21 bits.
Notes: Si ce nom est utilisé dans l'outil de conversion, le convertisseur essaie de reconnaitre le texte à partir du dernier BOM (byte order mark), pour connaître l'ordre des bits.
Nom dans le registre IANA: UTF-16BE
Jeux de caractères: Unicode
Description: Voir ci-dessus.
Notes: Contrairement à UTF-16, les chaînes sont supposées être au format big endian.
Nom dans le registre IANA: UTF-16BE
Jeux de caractères: Unicode
Description: Voir ci-dessus.
Notes: Contrairement à UTF-16, les chaînes sont supposées être au format big endian.
Nom dans le registre IANA: UTF-8
Jeux de caractères: Unicode / UCS
Description: Format de transformation Unicode de 8 bits.
Notes: none
Nom dans le registre IANA: UTF-7
Jeux de caractères: Unicode
Description: Un format compatible avec le courrier éléctronique d'Unicode, spécifié dans RFC2152.
Notes: none
Nom dans le registre IANA: aucun
Jeux de caractères: Unicode
Description: Une variante d'UTF-7 qui est spécialement utilisée dans le protocole IMAP.
Notes: none
Nom dans le registre IANA: US-ASCII (recommandé) / iso-ir-6 / ANSI_X3.4-1986 / ISO_646.irv:1991 / ASCII / ISO646-US / us / IBM367 / CP367 / csASCII
Jeux de caractères: ASCII / ISO 646
Description: ASCII, American Standard Code for Information Interchange est un format classique de 7 bits. Il est aussi normalisé internationalement, sous le nom ISO 646.
Notes: (none)
Nom dans le registre IANA: EUC-JP (recommandé) / Extended_UNIX_Code_Packed_Format_for_Japanese / csEUCPkdFmtJapanese
Jeux de caractères: Composé de US-ASCII / JIS X0201:1997 (hankaku kana) / JIS X0208:1990 / JIS X0212:1990
Description: Comme vous le voyez, le nom est dérivé de l'abréviation de Extended UNIX Code Packed Format for Japanese, ce jeu est essentiellement utilisé sur les plates-formes Unix. Le jeu original, Extended UNIX Code, est conçu sur la base de ISO 2022.
Notes: Le jeu identifié par EUC-JP est différent de IBM932 / CP932, qui est utilisé par OS/2® et Microsoft® Windows®. Pour échanger des informations avec ces plates-formes, utilisez EUCJP-WIN.
Nom dans le registre IANA: Shift_JIS (recommandé) / MS_Kanji / csShift_JIS
Jeux de caractères: Composé de JIS X0201:1997 / JIS X0208:1997
Description: Shift_JIS a été développé au début des années 80, et, au même moment, les premiers traitements de textes étaient mis sur le marché. Il a été fait pour conserver la compatibilité avec le jeu JIS X 0201:1976. Selon la définition de l'IANA, le jeu de caractères Shift_JIS est légèrement différent de IBM932 / CP932. Cependant, les noms "SJIS" et "Shift_JIS" sont souvent utilisés à tort, pour ces jeux.
Notes: Pour CP932, utilisez SJIS-WIN.
Nom dans le registre IANA: (none)
Jeux de caractères: Composé de JIS X0201:1997 / JIS X0208:1997 / IBM extensions / NEC extensions
Description: Même si ce "jeu de caractères" utilise le même jeu que EUC-JP, il est en fait différent. Il a juste quelques caractères de différence.
Notes: none
Nom dans le registre IANA: Windows-31J / csWindows31J
Jeux de caractères: Composé de JIS X0201:1997 / JIS X0208:1997 / IBM extensions / NEC extensions
Description: Même si ce "jeu de caractères" utilise le même jeu que Shift_JIS, il est en fait différent. Il a juste quelques caractères de différence.
Notes: (none)
Nom dans le registre IANA: ISO-2022-JP (recommandé) / csISO2022JP
Jeux de caractères: US-ASCII / JIS X0201:1976 / JIS X0208:1978 / JIS X0208:1983
Description: RFC1468
Notes: aucun
Nom dans le registre IANA: JIS
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: ISO-8859-1
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: ISO-8859-2
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: ISO-8859-3
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: ISO-8859-4
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: ISO-8859-5
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: ISO-8859-6
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: ISO-8859-7
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: ISO-8859-8
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: ISO-8859-9
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: ISO-8859-10
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: ISO-8859-13
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: ISO-8859-14
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: ISO-8859-15
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: byte2be
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: byte2le
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: byte4be
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: byte4le
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: BASE64
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: HTML-ENTITIES
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: 7bit
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: 8bit
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: EUC-CN
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: CP936
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: HZ
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: EUC-TW
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: CP950
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: BIG-5
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: EUC-KR
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: UHC (CP949)
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: ISO-2022-KR
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: Windows-1251 (CP1251)
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: Windows-1252 (CP1252)
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: CP866 (IBM866)
Jeux de caractères:
Description:
Notes:
Nom dans le registre IANA: KOI8-R
Jeux de caractères:
Description:
Notes:
Précédent | Sommaire | Suivant |
msql | Niveau supérieur | mb_convert_case |
Hosting by: Hurra Communications GmbH
Generated: 2007-01-26 18:02:20