将智能报价和其他实体转换为精确形式

Question

我一直致力于将字符串转换为 PDF。出现的一个典型问题是偶尔出现的“智能引号”或其他 utf-8 字符，它们会变成一个或另一个 ISO 字符，例如 –、 –、“、” 等。下面定义的函数解决了上述问题通过将它们编码为 html 实体来解决问题，但是，当然 PDF 不是 html。当输入带有 ’ 代替撇号 ' 的字符串时，该函数会将其转换为 ’。如果我们处理的是 HTML，那就太好了，但作为 PDF，它会将其视为字符串，因此永远不会转换其确切形式。因此，如何将 htmlentity 转换为字符精确形式？

function htmlallentities($str){
    $res = '';
    $strlen = strlen($str);
    for($i=0; $i<$strlen; $i++){
        $byte = ord($str[$i]);
        if($byte < 128) { // 1-byte char
            $res .= $str[$i];
        } elseif($byte < 192) { // invalid utf8
        } elseif($byte < 224) { // 2-byte char
            $res .= '&#'.((63&$byte)*64 + (63&ord($str[++$i]))).';';
        } elseif($byte < 240) { // 3-byte char
            $res .= '&#'.((15&$byte)*4096 + (63&ord($str[++$i]))*64 + (63&ord($str[++$i]))).';';
        } elseif($byte < 248) { // 4-byte char
            $res .= '&#'.((15&$byte)*262144 + (63&ord($str[++$i]))*4096 + (63&ord($str[++$i]))*64 + (63&ord($str[++$i]))).';';
        }
    }
    return $res;
}

（感谢@Floern，https://stackoverflow.com/a/4583465/810821）

如果我使用了不正确的术语，我很抱歉。

先感谢您。

Answer 1

如果智能撇号 (') 变为 –，则问题在于 UTF-8 编码的数据被解释为 windows-1252 编码中的字节序列。您应该找到并修复导致错误解释的代码部分，而不是在数据混乱后尝试修复此问题。