php - unescape - ¿Cómo decodificar las secuencias de escape de Unicode como "/ u00ed" a los caracteres codificados UTF-8?

utf-8 html

Question

¿Existe una función en PHP que pueda decodificar secuencias de escape Unicode como " /u00ed " a " í " y todas las demás /u00ed similares?

Encontré una pregunta similar here pero parece que no funciona.

Answer 1

PHP 7+

A partir de PHP 7, puede usar la sintaxis de escape del punto de código Unicode para hacer esto.

echo "/u{00ed}"; salidas í .

Answer 2

Este es un enfoque de martillo para reemplazar UNICODE sin procesar con HTML. No he visto ningún otro lugar para poner esta solución, pero supongo que otros han tenido este problema.

Aplica esta función str_replace a RAW JSON , antes de hacer cualquier otra cosa.

function unicode2html($str){
$i=65535;
while($i>0){
$hex=dechex($i);
$str=str_replace("/u$hex","&#$i;",$str);
$i--;
}
return $str;
}

Esto no llevará tanto tiempo como piense, y esto reemplazará CUALQUIER unicode con HTML.

Por supuesto, esto se puede reducir si conoce los tipos Unicode que se devuelven en el JSON.

Por ejemplo, mi código recibía muchas flechas y dingbat unicode. Estos son entre 8448 y 11263. Así que mi código de producción se ve así:

$i=11263;
while($i>08448){
...etc...

Puedes buscar los bloques de Unicode por tipo aquí: http://unicode-table.com/en/ Si sabes que estás traduciendo árabe o Telegu o lo que sea, puedes simplemente reemplazar esos códigos, no todos los 65,000.

Puede aplicar este mismo mazo a la codificación simple:

 $str=str_replace("/u$hex",chr($i),$str);

Answer 3

Prueba esto:

$str = preg_replace_callback(''/////u([0-9a-fA-F]{4})/'', function ($match) {
return mb_convert_encoding(pack(''H*'', $match[1]), ''UTF-8'', ''UCS-2BE'');
}, $str);

En caso de que esté basado en UTF-16 C / C ++ / Java / Json-style:

$str = preg_replace_callback(''/////u([0-9a-fA-F]{4})/'', function ($match) {
return mb_convert_encoding(pack(''H*'', $match[1]), ''UTF-8'', ''UTF-16BE'');
}, $str);

Answer 4

También hay una solución:
http://www.welefen.com/php-unicode-to-utf8.html

function entity2utf8onechar($unicode_c){
$unicode_c_val = intval($unicode_c);
$f=0x80; // 10000000
$str = "";
// U-00000000 - U-0000007F: 0xxxxxxx
if($unicode_c_val <= 0x7F){ $str = chr($unicode_c_val); } //U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
else if($unicode_c_val >= 0x80 && $unicode_c_val <= 0x7FF){ $h=0xC0; // 11000000
$c1 = $unicode_c_val >> 6 | $h;
$c2 = ($unicode_c_val & 0x3F) | $f;
$str = chr($c1).chr($c2);
} else if($unicode_c_val >= 0x800 && $unicode_c_val <= 0xFFFF){ $h=0xE0; // 11100000
$c1 = $unicode_c_val >> 12 | $h;
$c2 = (($unicode_c_val & 0xFC0) >> 6) | $f;
$c3 = ($unicode_c_val & 0x3F) | $f;
$str=chr($c1).chr($c2).chr($c3);
}
//U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
else if($unicode_c_val >= 0x10000 && $unicode_c_val <= 0x1FFFFF){ $h=0xF0; // 11110000
$c1 = $unicode_c_val >> 18 | $h;
$c2 = (($unicode_c_val & 0x3F000) >>12) | $f;
$c3 = (($unicode_c_val & 0xFC0) >>6) | $f;
$c4 = ($unicode_c_val & 0x3F) | $f;
$str = chr($c1).chr($c2).chr($c3).chr($c4);
}
//U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
else if($unicode_c_val >= 0x200000 && $unicode_c_val <= 0x3FFFFFF){ $h=0xF8; // 11111000
$c1 = $unicode_c_val >> 24 | $h;
$c2 = (($unicode_c_val & 0xFC0000)>>18) | $f;
$c3 = (($unicode_c_val & 0x3F000) >>12) | $f;
$c4 = (($unicode_c_val & 0xFC0) >>6) | $f;
$c5 = ($unicode_c_val & 0x3F) | $f;
$str = chr($c1).chr($c2).chr($c3).chr($c4).chr($c5);
}
//U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
else if($unicode_c_val >= 0x4000000 && $unicode_c_val <= 0x7FFFFFFF){ $h=0xFC; // 11111100
$c1 = $unicode_c_val >> 30 | $h;
$c2 = (($unicode_c_val & 0x3F000000)>>24) | $f;
$c3 = (($unicode_c_val & 0xFC0000)>>18) | $f;
$c4 = (($unicode_c_val & 0x3F000) >>12) | $f;
$c5 = (($unicode_c_val & 0xFC0) >>6) | $f;
$c6 = ($unicode_c_val & 0x3F) | $f;
$str = chr($c1).chr($c2).chr($c3).chr($c4).chr($c5).chr($c6);
}
return $str;
}
function entities2utf8($unicode_c){
$unicode_c = preg_replace("//&/#([/da-f]{5})/;/es", "entity2utf8onechar(''//1'')", $unicode_c);
return $unicode_c;
}

Answer 5

corregir los valores de json, es agregar / antes de u {xxx} a todos + ""

 $item = preg_replace_callback(''/"(.+?)":"(u.+?)",/'', function ($matches) {
$matches[2] = preg_replace(''/(u)/'', ''/u'', $matches[2]);
$matches[2] = preg_replace(''/(")/'', ''"'', $matches[2]);
$matches[2] = json_decode(''"'' . $matches[2] . ''"'');
return ''"'' . $matches[1] . ''":"'' . $matches[2] . ''",'';
}, $item);

Answer 6

$str = ''/u0063/u0061/u0074''.''/ud83d/ude38'';
$str2 = ''/u0063/u0061/u0074''.''/ud83d'';
// U+1F638
var_dump(
"cat/xF0/x9F/x98/xB8" === escape_sequence_decode($str),
"cat/xEF/xBF/xBD" === escape_sequence_decode($str2)
);
function escape_sequence_decode($str) {
// [U+D800 - U+DBFF][U+DC00 - U+DFFF]|[U+0000 - U+FFFF]
$regex = ''////u([dD][89abAB][/da-fA-F]{2})///u([dD][c-fC-F][/da-fA-F]{2})
|///u([/da-fA-F]{4})/sx'';
return preg_replace_callback($regex, function($matches) {
if (isset($matches[3])) {
$cp = hexdec($matches[3]);
} else {
$lead = hexdec($matches[1]);
$trail = hexdec($matches[2]);
// http://unicode.org/faq/utf_bom.html#utf16-4
$cp = ($lead << 10) + $trail + 0x10000 - (0xD800 << 10) - 0xDC00;
}
// https://tools.ietf.org/html/rfc3629#section-3
// Characters between U+D800 and U+DFFF are not allowed in UTF-8
if ($cp > 0xD7FF && 0xE000 > $cp) {
$cp = 0xFFFD;
}
// https://github.com/php/php-src/blob/php-5.6.4/ext/standard/html.c#L471
// php_utf32_utf8(unsigned char *buf, unsigned k)
if ($cp < 0x80) {
return chr($cp);
} else if ($cp < 0xA0) {
return chr(0xC0 | $cp >> 6).chr(0x80 | $cp & 0x3F);
}
return html_entity_decode(''&#''.$cp.'';'');
}, $str);
}

Answer 7

print_r(json_decode(''{"t":"/u00ed"}'')); // -> stdClass Object ( [t] => í )