Bifurcation pour faire mes petits pull requests
You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
 
 
 
 

1253 lines
31 KiB

<?php
/***************************************************************************\
* SPIP, Systeme de publication pour l'internet *
* *
* Copyright (c) 2001-2018 *
* Arnaud Martin, Antoine Pitrou, Philippe Riviere, Emmanuel Saint-James *
* *
* Ce programme est un logiciel libre distribue sous licence GNU/GPL. *
* Pour plus de details voir le fichier COPYING.txt ou l'aide en ligne. *
\***************************************************************************/
/**
* Gestion des charsets et des conversions
*
* Ce fichier contient les fonctions relatives à la gestion de charsets,
* à la conversion de textes dans différents charsets et
* propose des fonctions émulant la librairie mb si elle est absente
*
* @package SPIP\Core\Texte\Charsets
**/
// securité
if (!defined('_ECRIRE_INC_VERSION')) {
return;
}
// se faciliter la lecture du charset
include_spip('inc/config');
/**
* Charge en mémoire la liste des caractères d'un charset
*
* Charsets supportés en natif : voir les tables dans ecrire/charsets/
* Les autres charsets sont supportés via mbstring()
*
* @param string $charset
* Charset à charger.
* Par défaut (AUTO), utilise le charset du site
* @return string|bool
* - Nom du charset
* - false si le charset n'est pas décrit dans le répertoire charsets/
**/
function load_charset($charset = 'AUTO') {
if ($charset == 'AUTO') {
$charset = $GLOBALS['meta']['charset'];
}
$charset = trim(strtolower($charset));
if (isset($GLOBALS['CHARSET'][$charset])) {
return $charset;
}
if ($charset == 'utf-8') {
$GLOBALS['CHARSET'][$charset] = array();
return $charset;
}
// Quelques synonymes
if ($charset == '') {
$charset = 'iso-8859-1';
} else {
if ($charset == 'windows-1250') {
$charset = 'cp1250';
} else {
if ($charset == 'windows-1251') {
$charset = 'cp1251';
} else {
if ($charset == 'windows-1256') {
$charset = 'cp1256';
}
}
}
}
if (find_in_path($charset . '.php', 'charsets/', true)) {
return $charset;
} else {
spip_log("Erreur: pas de fichier de conversion 'charsets/$charset'");
$GLOBALS['CHARSET'][$charset] = array();
return false;
}
}
/**
* Vérifier qu'on peut utiliser mb_string
*
* @return bool
* true si toutes les fonctions mb nécessaires sont présentes
**/
function init_mb_string() {
static $mb;
// verifier que tout est present (fonctions mb_string pour php >= 4.0.6)
// et que le charset interne est connu de mb_string
if (!$mb) {
if (function_exists('mb_internal_encoding')
and function_exists('mb_detect_order')
and function_exists('mb_substr')
and function_exists('mb_strlen')
and function_exists('mb_strtolower')
and function_exists('mb_strtoupper')
and function_exists('mb_encode_mimeheader')
and function_exists('mb_encode_numericentity')
and function_exists('mb_decode_numericentity')
and mb_detect_order(lire_config('charset', _DEFAULT_CHARSET))
) {
mb_internal_encoding('utf-8');
$mb = 1;
} else {
$mb = -1;
}
}
return ($mb == 1);
}
/**
* Test le fonctionnement correct d'iconv
*
* Celui-ci coupe sur certaines versions la chaine
* quand un caractère n'appartient pas au charset
*
* @link http://php.net/manual/fr/function.iconv.php
*
* @return bool
* true si iconv fonctionne correctement
**/
function test_iconv() {
static $iconv_ok;
if (!$iconv_ok) {
if (!function_exists('iconv')) {
$iconv_ok = -1;
} else {
if (utf_32_to_unicode(@iconv('utf-8', 'utf-32', 'chaine de test')) == 'chaine de test') {
$iconv_ok = 1;
} else {
$iconv_ok = -1;
}
}
}
return ($iconv_ok == 1);
}
/**
* Test de fonctionnement du support UTF-8 dans PCRE
*
* Contournement bug Debian Woody
*
* @return bool
* true si PCRE supporte l'UTF-8 correctement
**/
function test_pcre_unicode() {
static $pcre_ok = 0;
if (!$pcre_ok) {
$s = " " . chr(195) . chr(169) . "t" . chr(195) . chr(169) . " ";
if (preg_match(',\W...\W,u', $s)) {
$pcre_ok = 1;
} else {
$pcre_ok = -1;
}
}
return $pcre_ok == 1;
}
/**
* Renvoie une plage de caractères alphanumeriques unicodes (incomplet...)
*
* Retourne pour une expression rationnelle une plage
* de caractères alphanumériques à utiliser entre crochets [$plage]
*
* @internal
* N'est pas utilisé
* Servait à inc/ortho passé dans le grenier
* @return string
* Plage de caractères
**/
function pcre_lettres_unicode() {
static $plage_unicode;
if (!$plage_unicode) {
if (test_pcre_unicode()) {
// cf. http://www.unicode.org/charts/
$plage_unicode = '\w' // iso-latin
. '\x{100}-\x{24f}' // europeen etendu
. '\x{300}-\x{1cff}' // des tas de trucs
;
} else {
// fallback a trois sous
$plage_unicode = '\w';
}
}
return $plage_unicode;
}
/**
* Renvoie une plage de caractères de ponctuation unicode de 0x2000 a 0x206F
*
* Retourne pour une expression rationnelle une plage
* de caractères de ponctuation à utiliser entre crochets [$plage]
* (i.e. de 226-128-128 a 226-129-176)
*
* @internal
* N'est pas utilisé
* Servait à inc/ortho passé dans le grenier
* @return string
* Plage de caractères
**/
function plage_punct_unicode() {
return '\xE2(\x80[\x80-\xBF]|\x81[\x80-\xAF])';
}
/**
* Corriger des caractères non-conformes : 128-159
*
* Cf. charsets/iso-8859-1.php (qu'on recopie ici pour aller plus vite)
* On peut passer un charset cible en parametre pour accelerer le passage iso-8859-1 -> autre charset
*
* @param string|array $texte
* Le texte à corriger
* @param string $charset
* Charset d'origine du texte
* Par défaut (AUTO) utilise le charset du site
* @param string $charset_cible
* Charset de destination (unicode par défaut)
* @return string|array
* Texte corrigé
**/
function corriger_caracteres_windows($texte, $charset = 'AUTO', $charset_cible = 'unicode') {
static $trans;
if (is_array($texte)) {
return array_map('corriger_caracteres_windows', $texte);
}
if ($charset == 'AUTO') {
$charset = lire_config('charset', _DEFAULT_CHARSET);
}
if ($charset == 'utf-8') {
$p = chr(194);
if (strpos($texte, $p) == false) {
return $texte;
}
} else {
if ($charset == 'iso-8859-1') {
$p = '';
} else {
return $texte;
}
}
if (!isset($trans[$charset][$charset_cible])) {
$trans[$charset][$charset_cible] = array(
$p . chr(128) => "&#8364;",
$p . chr(129) => ' ', # pas affecte
$p . chr(130) => "&#8218;",
$p . chr(131) => "&#402;",
$p . chr(132) => "&#8222;",
$p . chr(133) => "&#8230;",
$p . chr(134) => "&#8224;",
$p . chr(135) => "&#8225;",
$p . chr(136) => "&#710;",
$p . chr(137) => "&#8240;",
$p . chr(138) => "&#352;",
$p . chr(139) => "&#8249;",
$p . chr(140) => "&#338;",
$p . chr(141) => ' ', # pas affecte
$p . chr(142) => "&#381;",
$p . chr(143) => ' ', # pas affecte
$p . chr(144) => ' ', # pas affecte
$p . chr(145) => "&#8216;",
$p . chr(146) => "&#8217;",
$p . chr(147) => "&#8220;",
$p . chr(148) => "&#8221;",
$p . chr(149) => "&#8226;",
$p . chr(150) => "&#8211;",
$p . chr(151) => "&#8212;",
$p . chr(152) => "&#732;",
$p . chr(153) => "&#8482;",
$p . chr(154) => "&#353;",
$p . chr(155) => "&#8250;",
$p . chr(156) => "&#339;",
$p . chr(157) => ' ', # pas affecte
$p . chr(158) => "&#382;",
$p . chr(159) => "&#376;",
);
if ($charset_cible != 'unicode') {
foreach ($trans[$charset][$charset_cible] as $k => $c) {
$trans[$charset][$charset_cible][$k] = unicode2charset($c, $charset_cible);
}
}
}
return @str_replace(array_keys($trans[$charset][$charset_cible]),
array_values($trans[$charset][$charset_cible]), $texte);
}
/**
* Transforme les entités HTML en unicode
*
* Transforme les &eacute; en &#123;
*
* @param string $texte
* Texte à convertir
* @param bool $secure
* true pour *ne pas convertir* les caracteres malins &lt; &amp; etc.
* @return string
* Texte converti
**/
function html2unicode($texte, $secure = false) {
if (strpos($texte, '&') === false) {
return $texte;
}
static $trans = array();
if (!$trans) {
load_charset('html');
foreach ($GLOBALS['CHARSET']['html'] as $key => $val) {
$trans["&$key;"] = $val;
}
}
if ($secure) {
return str_replace(array_keys($trans), array_values($trans), $texte);
} else {
return str_replace(array('&amp;', '&quot;', '&lt;', '&gt;'), array('&', '"', '<', '>'),
str_replace(array_keys($trans), array_values($trans), $texte)
);
}
}
/**
* Transforme les entités mathématiques (MathML) en unicode
*
* Transforme &angle; en &#x2220; ainsi que toutes autres entités mathématiques
*
* @param string $texte
* Texte à convertir
* @return string
* Texte converti
**/
function mathml2unicode($texte) {
static $trans;
if (!$trans) {
load_charset('mathml');
foreach ($GLOBALS['CHARSET']['mathml'] as $key => $val) {
$trans["&$key;"] = $val;
}
}
return str_replace(array_keys($trans), array_values($trans), $texte);
}
/**
* Transforme une chaine en entites unicode &#129;
*
* Utilise la librairie mb si elle est présente.
*
* @internal
* Note: l'argument $forcer est obsolete : il visait a ne pas
* convertir les accents iso-8859-1
*
* @param string $texte
* Texte à convertir
* @param string $charset
* Charset actuel du texte
* Par défaut (AUTO), le charset est celui du site.
* @return string
* Texte converti en unicode
**/
function charset2unicode($texte, $charset = 'AUTO' /* $forcer: obsolete*/) {
static $trans;
if ($charset == 'AUTO') {
$charset = lire_config('charset', _DEFAULT_CHARSET);
}
if ($charset == '') {
$charset = 'iso-8859-1';
}
$charset = strtolower($charset);
switch ($charset) {
case 'utf-8':
case 'utf8':
return utf_8_to_unicode($texte);
case 'iso-8859-1':
$texte = corriger_caracteres_windows($texte, 'iso-8859-1');
// pas de break; ici, on suit sur default:
default:
// mbstring presente ?
if (init_mb_string()) {
if ($order = mb_detect_order() # mb_string connait-il $charset?
and mb_detect_order($charset)
) {
$s = mb_convert_encoding($texte, 'utf-8', $charset);
if ($s && $s != $texte) {
return utf_8_to_unicode($s);
}
}
mb_detect_order($order); # remettre comme precedemment
}
// Sinon, peut-etre connaissons-nous ce charset ?
if (!isset($trans[$charset])) {
if ($cset = load_charset($charset)
and is_array($GLOBALS['CHARSET'][$cset])
) {
foreach ($GLOBALS['CHARSET'][$cset] as $key => $val) {
$trans[$charset][chr($key)] = '&#' . $val . ';';
}
}
}
if (count($trans[$charset])) {
return str_replace(array_keys($trans[$charset]), array_values($trans[$charset]), $texte);
}
// Sinon demander a iconv (malgre le fait qu'il coupe quand un
// caractere n'appartient pas au charset, mais c'est un probleme
// surtout en utf-8, gere ci-dessus)
if (test_iconv()) {
$s = iconv($charset, 'utf-32le', $texte);
if ($s) {
return utf_32_to_unicode($s);
}
}
// Au pire ne rien faire
spip_log("erreur charset '$charset' non supporte");
return $texte;
}
}
/**
* Transforme les entites unicode &#129; dans le charset specifie
*
* Attention on ne transforme pas les entites < &#128; car si elles
* ont ete encodees ainsi c'est a dessein
*
* @param string $texte
* Texte unicode à transformer
* @param string $charset
* Charset à appliquer au texte
* Par défaut (AUTO), le charset sera celui du site.
* @return string
* Texte transformé dans le charset souhaité
**/
function unicode2charset($texte, $charset = 'AUTO') {
static $CHARSET_REVERSE;
static $trans = array();
if ($charset == 'AUTO') {
$charset = lire_config('charset', _DEFAULT_CHARSET);
}
switch ($charset) {
case 'utf-8':
return unicode_to_utf_8($texte);
break;
default:
$charset = load_charset($charset);
if (!is_array($CHARSET_REVERSE[$charset])) {
$CHARSET_REVERSE[$charset] = array_flip($GLOBALS['CHARSET'][$charset]);
}
if (!isset($trans[$charset])) {
$trans[$charset] = array();
$t = &$trans[$charset];
for ($e = 128; $e < 255; $e++) {
$h = dechex($e);
if ($s = isset($CHARSET_REVERSE[$charset][$e])) {
$s = $CHARSET_REVERSE[$charset][$e];
$t['&#' . $e . ';'] = $t['&#0' . $e . ';'] = $t['&#00' . $e . ';'] = chr($s);
$t['&#x' . $h . ';'] = $t['&#x0' . $h . ';'] = $t['&#x00' . $h . ';'] = chr($s);
} else {
$t['&#' . $e . ';'] = $t['&#0' . $e . ';'] = $t['&#00' . $e . ';'] = chr($e);
$t['&#x' . $h . ';'] = $t['&#x0' . $h . ';'] = $t['&#x00' . $h . ';'] = chr($e);
}
}
}
$texte = str_replace(array_keys($trans[$charset]), array_values($trans[$charset]), $texte);
return $texte;
}
}
/**
* Importer un texte depuis un charset externe vers le charset du site
*
* Les caractères non resolus sont transformés en `&#123`;
*
* @param string $texte
* Texte unicode à importer
* @param string $charset
* Charset d'origine du texte
* Par défaut (AUTO), le charset d'origine est celui du site.
* @return string
* Texte transformé dans le charset site
**/
function importer_charset($texte, $charset = 'AUTO') {
static $trans = array();
// on traite le cas le plus frequent iso-8859-1 vers utf directement pour aller plus vite !
if (($charset == 'iso-8859-1') && ($GLOBALS['meta']['charset'] == 'utf-8')) {
$texte = corriger_caracteres_windows($texte, 'iso-8859-1', $GLOBALS['meta']['charset']);
if (init_mb_string()) {
if ($order = mb_detect_order() # mb_string connait-il $charset?
and mb_detect_order($charset)
) {
$s = mb_convert_encoding($texte, 'utf-8', $charset);
}
mb_detect_order($order); # remettre comme precedemment
return $s;
}
// Sinon, peut-etre connaissons-nous ce charset ?
if (!isset($trans[$charset])) {
if ($cset = load_charset($charset)
and is_array($GLOBALS['CHARSET'][$cset])
) {
foreach ($GLOBALS['CHARSET'][$cset] as $key => $val) {
$trans[$charset][chr($key)] = unicode2charset('&#' . $val . ';');
}
}
}
if (count($trans[$charset])) {
return str_replace(array_keys($trans[$charset]), array_values($trans[$charset]), $texte);
}
return $texte;
}
return unicode2charset(charset2unicode($texte, $charset));
}
/**
* Transforme un texte UTF-8 en unicode
*
* Utilise la librairie mb si présente
*
* @param string $source
* Texte UTF-8 à transformer
* @return string
* Texte transformé en unicode
**/
function utf_8_to_unicode($source) {
// mb_string : methode rapide
if (init_mb_string()) {
$convmap = array(0x7F, 0xFFFFFF, 0x0, 0xFFFFFF);
return mb_encode_numericentity($source, $convmap, 'UTF-8');
}
// Sinon methode pas a pas
static $decrement;
static $shift;
// Cf. php.net, par Ronen. Adapte pour compatibilite < php4
if (!is_array($decrement)) {
// array used to figure what number to decrement from character order value
// according to number of characters used to map unicode to ascii by utf-8
$decrement[4] = 240;
$decrement[3] = 224;
$decrement[2] = 192;
$decrement[1] = 0;
// the number of bits to shift each charNum by
$shift[1][0] = 0;
$shift[2][0] = 6;
$shift[2][1] = 0;
$shift[3][0] = 12;
$shift[3][1] = 6;
$shift[3][2] = 0;
$shift[4][0] = 18;
$shift[4][1] = 12;
$shift[4][2] = 6;
$shift[4][3] = 0;
}
$pos = 0;
$len = strlen($source);
$encodedString = '';
while ($pos < $len) {
$char = '';
$ischar = false;
$asciiPos = ord(substr($source, $pos, 1));
if (($asciiPos >= 240) && ($asciiPos <= 255)) {
// 4 chars representing one unicode character
$thisLetter = substr($source, $pos, 4);
$pos += 4;
} else {
if (($asciiPos >= 224) && ($asciiPos <= 239)) {
// 3 chars representing one unicode character
$thisLetter = substr($source, $pos, 3);
$pos += 3;
} else {
if (($asciiPos >= 192) && ($asciiPos <= 223)) {
// 2 chars representing one unicode character
$thisLetter = substr($source, $pos, 2);
$pos += 2;
} else {
// 1 char (lower ascii)
$thisLetter = substr($source, $pos, 1);
$pos += 1;
$char = $thisLetter;
$ischar = true;
}
}
}
if ($ischar) {
$encodedString .= $char;
} else { // process the string representing the letter to a unicode entity
$thisLen = strlen($thisLetter);
$thisPos = 0;
$decimalCode = 0;
while ($thisPos < $thisLen) {
$thisCharOrd = ord(substr($thisLetter, $thisPos, 1));
if ($thisPos == 0) {
$charNum = intval($thisCharOrd - $decrement[$thisLen]);
$decimalCode += ($charNum << $shift[$thisLen][$thisPos]);
} else {
$charNum = intval($thisCharOrd - 128);
$decimalCode += ($charNum << $shift[$thisLen][$thisPos]);
}
$thisPos++;
}
$encodedLetter = "&#" . preg_replace('/^0+/', '', $decimalCode) . ';';
$encodedString .= $encodedLetter;
}
}
return $encodedString;
}
/**
* Transforme un texte UTF-32 en unicode
*
* UTF-32 ne sert plus que si on passe par iconv, c'est-a-dire quand
* mb_string est absente ou ne connait pas notre charset.
*
* Mais on l'optimise quand meme par mb_string
* => tout ca sera osolete quand on sera surs d'avoir mb_string
*
* @param string $source
* Texte UTF-8 à transformer
* @return string
* Texte transformé en unicode
**/
function utf_32_to_unicode($source) {
// mb_string : methode rapide
if (init_mb_string()) {
$convmap = array(0x7F, 0xFFFFFF, 0x0, 0xFFFFFF);
$source = mb_encode_numericentity($source, $convmap, 'UTF-32LE');
return str_replace(chr(0), '', $source);
}
// Sinon methode lente
$texte = '';
while ($source) {
$words = unpack("V*", substr($source, 0, 1024));
$source = substr($source, 1024);
foreach ($words as $word) {
if ($word < 128) {
$texte .= chr($word);
} // ignorer le BOM - http://www.unicode.org/faq/utf_bom.html
else {
if ($word != 65279) {
$texte .= '&#' . $word . ';';
}
}
}
}
return $texte;
}
/**
* Transforme un numéro unicode en caractère utf-8
*
* Ce bloc provient de php.net
*
* @author Ronen
*
* @param int $num
* Numéro de l'entité unicode
* @return char
* Caractère utf8 si trouvé, '' sinon
**/
function caractere_utf_8($num) {
$num = intval($num);
if ($num < 128) {
return chr($num);
}
if ($num < 2048) {
return chr(($num >> 6) + 192) . chr(($num & 63) + 128);
}
if ($num < 65536) {
return chr(($num >> 12) + 224) . chr((($num >> 6) & 63) + 128) . chr(($num & 63) + 128);
}
if ($num < 1114112) {
return chr(($num >> 18) + 240) . chr((($num >> 12) & 63) + 128) . chr((($num >> 6) & 63) + 128) . chr(($num & 63) + 128);
}
return '';
}
/**
* Convertit un texte unicode en utf-8
*
* @param string $texte
* Texte à convertir
* @return string
* Texte converti
**/
function unicode_to_utf_8($texte) {
// 1. Entites &#128; et suivantes
$vu = array();
if (preg_match_all(',&#0*([1-9][0-9][0-9]+);,S',
$texte, $regs, PREG_SET_ORDER)) {
foreach ($regs as $reg) {
if ($reg[1] > 127 and !isset($vu[$reg[0]])) {
$vu[$reg[0]] = caractere_utf_8($reg[1]);
}
}
}
//$texte = str_replace(array_keys($vu), array_values($vu), $texte);
// 2. Entites > &#xFF;
//$vu = array();
if (preg_match_all(',&#x0*([1-9a-f][0-9a-f][0-9a-f]+);,iS',
$texte, $regs, PREG_SET_ORDER)) {
foreach ($regs as $reg) {
if (!isset($vu[$reg[0]])) {
$vu[$reg[0]] = caractere_utf_8(hexdec($reg[1]));
}
}
}
return str_replace(array_keys($vu), array_values($vu), $texte);
}
/**
* Convertit les unicode &#264; en javascript \u0108
*
* @param string $texte
* Texte à convertir
* @return string
* Texte converti
**/
function unicode_to_javascript($texte) {
$vu = array();
while (preg_match(',&#0*([0-9]+);,S', $texte, $regs) and !isset($vu[$regs[1]])) {
$num = $regs[1];
$vu[$num] = true;
$s = '\u' . sprintf("%04x", $num);
$texte = str_replace($regs[0], $s, $texte);
}
return $texte;
}
/**
* Convertit les %uxxxx (envoyés par javascript) en &#yyy unicode
*
* @param string $texte
* Texte à convertir
* @return string
* Texte converti
**/
function javascript_to_unicode($texte) {
while (preg_match(",%u([0-9A-F][0-9A-F][0-9A-F][0-9A-F]),", $texte, $regs)) {
$texte = str_replace($regs[0], "&#" . hexdec($regs[1]) . ";", $texte);
}
return $texte;
}
/**
* Convertit les %E9 (envoyés par le browser) en chaîne du charset du site (binaire)
*
* @param string $texte
* Texte à convertir
* @return string
* Texte converti
**/
function javascript_to_binary($texte) {
while (preg_match(",%([0-9A-F][0-9A-F]),", $texte, $regs)) {
$texte = str_replace($regs[0], chr(hexdec($regs[1])), $texte);
}
return $texte;
}
/**
* Substition rapide de chaque graphème selon le charset sélectionné.
*
* @uses caractere_utf_8()
*
* @global array $CHARSET
* @staticvar array $trans
*
* @param string $texte
* @param string $charset
* @param string $complexe
* @return string
*/
function translitteration_rapide($texte, $charset = 'AUTO', $complexe = '') {
static $trans;
if ($charset == 'AUTO') {
$charset = $GLOBALS['meta']['charset'];
}
if (!strlen($texte)) {
return $texte;
}
$table_translit = 'translit' . $complexe;
// 2. Translitterer grace a la table predefinie
if (!$trans[$complexe]) {
load_charset($table_translit);
foreach ($GLOBALS['CHARSET'][$table_translit] as $key => $val) {
$trans[$complexe][caractere_utf_8($key)] = $val;
}
}
return str_replace(array_keys($trans[$complexe]), array_values($trans[$complexe]), $texte);
}
/**
* Translittération charset => ascii (pour l'indexation)
*
* Permet, entre autres, d’enlever les accents,
* car la table ASCII non étendue ne les comporte pas.
*
* Attention les caractères non reconnus sont renvoyés en utf-8
*
* @uses corriger_caracteres()
* @uses unicode_to_utf_8()
* @uses html2unicode()
* @uses charset2unicode()
* @uses translitteration_rapide()
*
* @param string $texte
* @param string $charset
* @param string $complexe
* @return string
*/
function translitteration($texte, $charset = 'AUTO', $complexe = '') {
// 0. Supprimer les caracteres illegaux
include_spip('inc/filtres');
$texte = corriger_caracteres($texte);
// 1. Passer le charset et les &eacute en utf-8
$texte = unicode_to_utf_8(html2unicode(charset2unicode($texte, $charset, true)));
return translitteration_rapide($texte, $charset, $complexe);
}
/**
* Translittération complexe
*
* `&agrave;` est retourné sous la forme ``a` `` et pas `à`
* mais si `$chiffre=true`, on retourne `a8` (vietnamien)
*
* @uses translitteration()
* @param string $texte
* @param bool $chiffres
* @return string
*/
function translitteration_complexe($texte, $chiffres = false) {
$texte = translitteration($texte, 'AUTO', 'complexe');
if ($chiffres) {
$texte = preg_replace("/[aeiuoyd]['`?~.^+(-]{1,2}/eS",
"translitteration_chiffree('\\0')", $texte);
}
return $texte;
}
/**
* Translittération chiffrée
*
* Remplace des caractères dans une chaîne par des chiffres
*
* @param string $car
* @return string
*/
function translitteration_chiffree($car) {
return strtr($car, "'`?~.^+(-", "123456789");
}
/**
* Reconnaitre le BOM utf-8 (0xEFBBBF)
*
* @param string $texte
* Texte dont on vérifie la présence du BOM
* @return bool
* true s'il a un BOM
**/
function bom_utf8($texte) {
return (substr($texte, 0, 3) == chr(0xEF) . chr(0xBB) . chr(0xBF));
}
/**
* Vérifie qu'une chaîne est en utf-8 valide
*
* Note: preg_replace permet de contourner un "stack overflow" sur PCRE
*
* @link http://us2.php.net/manual/fr/function.mb-detect-encoding.php#50087
* @link http://w3.org/International/questions/qa-forms-utf-8.html
*
* @param string $string
* Texte dont on vérifie qu'il est de l'utf-8
* @return bool
* true si c'est le cas
**/
function is_utf8($string) {
return !strlen(
preg_replace(
',[\x09\x0A\x0D\x20-\x7E]' # ASCII
. '|[\xC2-\xDF][\x80-\xBF]' # non-overlong 2-byte
. '|\xE0[\xA0-\xBF][\x80-\xBF]' # excluding overlongs
. '|[\xE1-\xEC\xEE\xEF][\x80-\xBF]{2}' # straight 3-byte
. '|\xED[\x80-\x9F][\x80-\xBF]' # excluding surrogates
. '|\xF0[\x90-\xBF][\x80-\xBF]{2}' # planes 1-3
. '|[\xF1-\xF3][\x80-\xBF]{3}' # planes 4-15
. '|\xF4[\x80-\x8F][\x80-\xBF]{2}' # plane 16
. ',sS',
'', $string));
}
/**
* Vérifie qu'une chaîne est en ascii valide
*
* @param string $string
* Texte dont on vérifie qu'il est de l'ascii
* @return bool
* true si c'est le cas
**/
function is_ascii($string) {
return !strlen(
preg_replace(
',[\x09\x0A\x0D\x20-\x7E],sS',
'', $string));
}
/**
* Transcode une page vers le charset du site
*
* Transcode une page (attrapée sur le web, ou un squelette) vers le
* charset du site en essayant par tous les moyens de deviner son charset
* (y compris dans les headers HTTP)
*
* @param string $texte
* Page à transcoder, dont on souhaite découvrir son charset
* @param string $headers
* Éventuels headers HTTP liés à cette page
* @return string
* Texte transcodé dans le charset du site
**/
function transcoder_page($texte, $headers = '') {
// Si tout est < 128 pas la peine d'aller plus loin
if (is_ascii($texte)) {
#spip_log('charset: ascii');
return $texte;
}
// Reconnaitre le BOM utf-8 (0xEFBBBF)
if (bom_utf8($texte)) {
$charset = 'utf-8';
$texte = substr($texte, 3);
} // charset precise par le contenu (xml)
else {
if (preg_match(
',<[?]xml[^>]*encoding[^>]*=[^>]*([-_a-z0-9]+?),UimsS', $texte, $regs)) {
$charset = trim(strtolower($regs[1]));
} // charset precise par le contenu (html)
else {
if (preg_match(
',<(meta|html|body)[^>]*charset[^>]*=[^>]*([-_a-z0-9]+?),UimsS',
$texte, $regs)
# eviter #CHARSET des squelettes
and (($tmp = trim(strtolower($regs[2]))) != 'charset')
) {
$charset = $tmp;
} // charset de la reponse http
else {
if (preg_match(',charset=([-_a-z0-9]+),i', $headers, $regs)) {
$charset = trim(strtolower($regs[1]));
} else {
$charset = '';
}
}
}
}
// normaliser les noms du shif-jis japonais
if (preg_match(',^(x|shift)[_-]s?jis$,i', $charset)) {
$charset = 'shift-jis';
}
if ($charset) {
spip_log("charset: $charset");
} else {
// valeur par defaut
if (is_utf8($texte)) {
$charset = 'utf-8';
} else {
$charset = 'iso-8859-1';
}
spip_log("charset probable: $charset");
}
return importer_charset($texte, $charset);
}
//
// Gerer les outils mb_string
//
/**
* Coupe un texte selon substr()
*
* Coupe une chaîne en utilisant les outils mb* lorsque le site est en utf8
*
* @link http://fr.php.net/manual/fr/function.mb-substr.php
* @link http://www.php.net/manual/fr/function.substr.php
* @uses spip_substr_manuelle() si les fonctions php mb sont absentes
*
* @param string $c Le texte
* @param int $start Début
* @param null|int $length Longueur ou fin
* @return string
* Le texte coupé
**/
function spip_substr($c, $start = 0, $length = null) {
// Si ce n'est pas utf-8, utiliser substr
if ($GLOBALS['meta']['charset'] != 'utf-8') {
if ($length) {
return substr($c, $start, $length);
} else {
substr($c, $start);
}
}
// Si utf-8, voir si on dispose de mb_string
if (init_mb_string()) {
if ($length) {
return mb_substr($c, $start, $length);
} else {
return mb_substr($c, $start);
}
}
// Version manuelle (cf. ci-dessous)
return spip_substr_manuelle($c, $start, $length);
}
/**
* Coupe un texte comme mb_substr()
*
* Version manuelle de substr utf8, pour php vieux et/ou mal installe
*
* @link http://fr.php.net/manual/fr/function.mb-substr.php
*
* @param string $c Le texte
* @param int $start Début
* @param null|int $length Longueur ou fin
* @return string
* Le texte coupé
**/
function spip_substr_manuelle($c, $start, $length = null) {
// Cas pathologique
if ($length === 0) {
return '';
}
// S'il y a un demarrage, on se positionne
if ($start > 0) {
$c = substr($c, strlen(spip_substr_manuelle($c, 0, $start)));
} elseif ($start < 0) {
return spip_substr_manuelle($c, spip_strlen($c) + $start, $length);
}
if (!$length) {
return $c;
}
if ($length > 0) {
// on prend n fois la longueur desiree, pour etre surs d'avoir tout
// (un caractere utf-8 prenant au maximum n bytes)
$n = 0;
while (preg_match(',[\x80-\xBF]{' . (++$n) . '},', $c)) {
;
}
$c = substr($c, 0, $n * $length);
// puis, tant qu'on est trop long, on coupe...
while (($l = spip_strlen($c)) > $length) {
$c = substr($c, 0, $length - $l);
}
return $c;
}
// $length < 0
return spip_substr_manuelle($c, 0, spip_strlen($c) + $length);
}
/**
* Rend majuscule le premier caractère d'une chaîne utf-8
*
* Version utf-8 d'ucfirst
*
* @param string $c
* La chaîne à transformer
* @return string
* La chaîne avec une majuscule sur le premier mot
*/
function spip_ucfirst($c) {
// Si on n'a pas mb_* ou si ce n'est pas utf-8, utiliser ucfirst
if (!init_mb_string() or $GLOBALS['meta']['charset'] != 'utf-8') {
return ucfirst($c);
}
$lettre1 = mb_strtoupper(spip_substr($c, 0, 1));
return $lettre1 . spip_substr($c, 1);
}
/**
* Passe une chaîne utf-8 en minuscules
*
* Version utf-8 de strtolower
*
* @param string $c
* La chaîne à transformer
* @return string
* La chaîne en minuscules
*/
function spip_strtolower($c) {
// Si on n'a pas mb_* ou si ce n'est pas utf-8, utiliser strtolower
if (!init_mb_string() or $GLOBALS['meta']['charset'] != 'utf-8') {
return strtolower($c);
}
return mb_strtolower($c);
}
/**
* Retourne la longueur d'une chaîne utf-8
*
* Version utf-8 de strlen
*
* @param string $c
* La chaîne à compter
* @return int
* Longueur de la chaîne
*/
function spip_strlen($c) {
// On transforme les sauts de ligne pour ne pas compter deux caractères
$c = str_replace("\r\n", "\n", $c);
// Si ce n'est pas utf-8, utiliser strlen
if ($GLOBALS['meta']['charset'] != 'utf-8') {
return strlen($c);
}
// Sinon, utiliser mb_strlen() si disponible
if (init_mb_string()) {
return mb_strlen($c);
}
// Methode manuelle : on supprime les bytes 10......,
// on compte donc les ascii (0.......) et les demarrages
// de caracteres utf-8 (11......)
return strlen(preg_replace(',[\x80-\xBF],S', '', $c));
}
// Initialisation
$GLOBALS['CHARSET'] = array();
// noter a l'occasion dans la meta pcre_u notre capacite a utiliser le flag /u
// dans les preg_replace pour ne pas casser certaines lettres accentuees :
// en utf-8 chr(195).chr(160) = a` alors qu'en iso-latin chr(160) = nbsp
if (!isset($GLOBALS['meta']['pcre_u'])
or (isset($_GET['var_mode']) and !isset($_GET['var_profile']))
) {
include_spip('inc/meta');
ecrire_meta('pcre_u',
$u = (lire_config('charset', _DEFAULT_CHARSET) == 'utf-8'
and test_pcre_unicode())
? 'u' : ''
);
}
/**
* Transforme une chaîne utf-8 en utf-8 sans "planes"
* ce qui permet de la donner à MySQL "utf8", qui n'est pas un utf-8 complet
* L'alternative serait d'utiliser utf8mb4
*
* @param string $x
* La chaîne à transformer
* @return string
* La chaîne avec les caractères utf8 des hauts "planes" échappée
* en unicode : &#128169;
*/
function utf8_noplanes($x) {
$regexp_utf8_4bytes = '/(
\xF0[\x90-\xBF][\x80-\xBF]{2} # planes 1-3
| [\xF1-\xF3][\x80-\xBF]{3} # planes 4-15
| \xF4[\x80-\x8F][\x80-\xBF]{2} # plane 16
)/xS';
if (preg_match_all($regexp_utf8_4bytes, $x, $z, PREG_PATTERN_ORDER)) {
foreach ($z[0] as $k) {
$ku = utf_8_to_unicode($k);
$x = str_replace($k, $ku, $x);
}
}
return $x;
}