Loading ...
mbstringを使う上で注意すること † php.iniでmbstringの設定を行わない †多くの書籍ではmbstringの設定はphp.iniで行うように薦めています． しかし筆者はまったくそれを薦めません． 理由は下記の通りです．
php.iniでmbstringの設定をしなければ実現できないことはほとんどHTTP入力に対しての自動文字エンコード変換のみです． それも下記のように筆者は薦めないですし，なくても実装できるので，結局php.iniで設定する必要はないのです． 文字エンコードの自動変換を使わない †php.iniでいう「mbstring.http_input」など，いわゆるウェブ上のフォームで入力された値の自動変換やHTML出力の自動変換は非常に便利に見える機能です． しかしこれらは使用するべきではありません．理由は「mbstring.http_inputは事実上php.iniや.htaccessなどでしか設定できない」からです． mbstring.http_inputはその目的上PHPスクリプトが実行される前でのみ設定ができます（PHPスクリプト実行時には設定された変換が既に行われたあとですから） しかしどうしても文字エンコードを変更して欲しくない場合でもPHPスクリプトで制御できなくなるため，使用するべきではありません． また，文字化けなどが発生した場合，原因追求をすることが困難になります． そもそも自動変換は必要なのでしょうか? 私は基本的に「必要ない」と考えます． 理由は「自分でどういう文字エンコードが入力されるかほとんどの場合知っているはず」だからです．
基本的にこれだけのことです． フォームから送信された文字列の文字エンコードを調べる †フォームから送信された文字列の文字円コードを調べるには$_POSTの値をmb_detect_order()で調べる方法があります． その他ダミー文字列を用意し，想定できる文字エンコードの種類だけ入力文字列を変換してみるといった方法があります． 文字エンコードを調べる例
// 文字エンコード識別用にhiddenなどでphraseに十分な長さのダミー文字列を渡します
// このサンプルでは$phraseが空文字だった場合、調べようがありませんので注してください(苦笑
$detect_charset = "";
$phrase = empty( $_POST[ "phrase"]) == TRUE? "": $_POST[ "phrase"];
if ( $phrase != "") {
$charsets = array( "UTF-8", "EUC-JP", "Shift_JIS", "ISO-2022-JP");
foreach ( $charsets as $charset) {
// 同じ文字エンコードでダミー変換をして$phraseが壊れたら
// 正しくない文字エンコード
if ( $phrase == mb_convert_encoding( $phrase, $charset, $charset)) {
// ビンゴ
$detect_charset = $charset;
break;
}
}
}
この例はフォームで送信する文字列に文字コード判定用の文字列を入れておき，それを調べるといった使い方になりますが， 「外部サイトのHTMLを取得し，文字エンコードを取得したい」といった場合，$phraseは取得したHTMLを丸ごと入れるという方法もあるでしょう． XMLの文字エンコーディングを調べる †XMLはデフォルトはUTF-8ですが，RSSなどまれにUTF-8以外の文字エンコードが使用される場合があります． XMLもただのテキストなので，上記のようにmb_convert_encoding()で変化がない文字エンコードを調べる方法もありますが， 「<?xml encoding="<CHARSET>"?>」としてXML宣言で明示的に指定されている場合があります． この場合正規表現で文字エンコードを取得することができます． 「XML宣言から「UTF-8」を取得する実装例
$ echo '<?xml encoding="UTF-8" ?>' | \
php -r '
$string = file_get_contents( "php://stdin");
var_dump( preg_match( "/encoding=[\"]?[^\" \t>]+/", $string, $matches));
var_dump( $matches);'
int(1)
array(1) {
[0]=>
string(14) "encoding=UTF-8"
}
mbstringとmbregexは別物ということを意識する †内部エンコードの話 †libmbflとonigurumaは前述の通り別々のライブラリを統合し，mbstring拡張モジュールという扱いになっています． しかし内部的にはあまり統合されていないので，例えば内部エンコードの設定はPHPスクリプトで行う場合，それぞれ別々に行う必要があります． 内部エンコーディングの設定
mb_internal_encoding( "UTF-8"); mb_regex_encoding( "UTF-8"); 余談になりますが，php.iniでmbstring.internal_encodingを指定した場合は両ライブラリの内部エンコードを同時に設定してくれるようです． 対応エンコードの話 †libmbflとonigurumaではサポートしている文字エンコードに大きな差があります． 日本語が扱える文字エンコードとしては下記がlibmbflでのみ扱える文字エンコードです．
この中で一番大きな違いはISO-2022-JPをサポートしているかどうかでしょう． ISO-2022-JPはその仕様上そのエンコードをサポートしていなければ正確な処理を行うことはほぼ不可能です． これはereg()やPCREのpreg_match()でも同様なので，PHPではISO-2022-JPでは正規表現は扱えないと考えるべきで，どうしても処理をしたい場合，EUC-JPなどに一度変換をすることになるでしょう． EUC-JP，Shift_JISで機種依存文字は扱えない †文字エンコードEUC-JPやShift_JISは「○と1の合体文字（いわゆる丸1）」や「(株)」など機種依存文字は含まれていません． よってそれらを含む文字列をmbstringで扱う場合，EUC-JPやShift_JISを指定しているとうまく変換できない場合があります． (株)をEUC-JPに変換しようとして失敗する例
$ echo "�裝同房�" | \ php -r 'echo mb_convert_encoding( file_get_contents( "php://stdin"), "EUC-JP", "UTF-8");' ?翔泳社 これらはEUC-JPで機種依存文字を扱い場合はEUCJP-WIN（EUCJP-OPEN）を，Shift_JISで機種依存文字を扱い場合はSJIS-WIN（SJIS-OPEN）を指定すれば正しく扱えるようになります． (株)をEUCJP-WINに変換できた例
$ echo "�裝同房�" | php -r 'echo mb_convert_encoding( file_get_contents( "php://stdin"), "EUCJP-WIN", "UTF-8");' 翔泳社 内部文字エンコードに気をつける †php.iniでいうところのmbstring.internal_encoding，PHPスクリプトで言うmb_internal_encoding()の設定値ですが，これはほとんどの場合，「文字エンコードの引数を省略したときの値」という意味以上のものがありません． しかしこれから処理を行う文字エンコードに合わせてmb_internal_encoding()で文字エンコードを設定しているスクリプトをまれに見かけます． 例えば下記のコードがあります． 無駄な処理が多い例
// PHPスクリプトはUTF-8で記述 mb_language( "ja"); mb_internal_encoding( "UTF-8"); $subject = "こんにちは!!"; $subject = mb_convert_encoding( $subject, "ISO-2022-JP", "UTF-8"); mb_internal_encoding( "ISO-2022-JP"); $encode_subject = mb_encode_mimeheader( $subject, "ISO-2022-JP"); mail( "foo@example", $encode_subject, "test", "From: bar@example.com"); これは非常に無駄な処理が含まれています．
これは下記のように実装量を削減することができます． mb_internal_encoding()を活用している例
// PHPスクリプトはUTF-8で記述 mb_language( "ja"); mb_internal_encoding( "UTF-8"); $subject = "こんにちは!!"; $encode_subject = mb_encode_mimeheader( $subject mail( "foo@example", $encode_subject, "test", "From: bar@example.com"); Zend Engineとmbstringは関係ない †mbstringはShift_JISに対応しているため，mbstring.internal_encodingをShift_JIS（SJIS）にしておけばPHPスクリプトをShift_JISで実装できるという勘違いをされている方がいらっしゃいます． mbstringはマルチバイト文字列を扱うための拡張モジュールですが，基本的にZend Engine（PHPスクリプトの文法を解釈し，実行するエンジン）とは関係ありません． その結果PHPスクリプト上で「表」など，いわゆる5C問題がある文字を使用した場合，問題が発生する場合があります． つまるところ「mb_」で始まる関数以外は基本的にmbstring.internal_encodingの影響を受けず，mbstring.internal_encodingをShift_JISにしたから5C問題が解決するというわけではありません． Shift_JISでPHPスクリプトを実装したい場合，PHPのビルド時に--enable-zend-multibyteを付加してビルドするといいようです． しかし実際のところPHPスクリプトをShift_JISで記述できてもデータベースはShift_JISを使わない方がいい場合が少なくなく*1，メールは基本的にShift_JISを使用しないなどといったこと結局HTMLの入出力のみShift_JISという処理を記述する方が安全です． |
![[よくきたWiki]](http://wiki.poyo.jp/yokukita_image/yokukita_wiki.gif "[よくきたWiki]")
