用 PHP 處理中文

用電腦處理中文，經常是件瑣碎又麻煩的事。

先前（例如，談古契書資料處理：之一）曾經提過，光是中文編碼，就有可能讓程式設計者忙昏頭又倍感沮喪。PHP 有一個「也算是令人感到麻煩」的地方，就是它的系統是被假設在 ISO-8859-1 編碼下運作的。

另一方面，現在「比較先進」的系統架構或程式語言，內部的編碼似乎都傾向於使用 Unicode（通常是 UTF-16，至於是大印地安 Big Endian 或者小印地安 Little Endian，則似乎還是涇渭分明，各有擁護者）。或許，有相當大的一部份原因，就是希望能夠減少程式的開發與維護時，處理各種編碼轉換的複雜性吧。

那麼，要用 PHP 來處理中文，該怎麼做呢？我想，程式設計者只能自己處理編碼的問題了。

好在 PHP 有提供轉碼的函式，使用上還算方便。一般來說，採用 UTF-16 或者 UTF-8 來處理字串，應該都是可行的。例如，假設我們的輸入與輸出字串都是以 BIG-5 的方式編碼，但是想要用 regular expression 找出字串中符合樣式的子字串，那該怎麼做呢？以下是一種方法：

<?php
   mb_internal_encoding('UTF-16LE');
   mb_regex_encoding('UTF-16LE');
   
   function mb_utf16($s) {
      return iconv('BIG-5', 'UTF-16LE', $s);
   }
   
   function utf16_to_big5($s) {
      return iconv('UTF-16LE', 'BIG-5', $s);
   }
   
   $s = "雖然感覺上像是藉口，但實際上感覺的東西，很難說清楚。";
   mb_ereg_search_init(mb_utf16($s), mb_utf16('感覺|藉口'));
   while ($match = mb_ereg_search_regs()) {
      print utf16_to_big5($match[0]) . "\n";
   }
?>

它可以成功地比對出三個子字串：「感覺」、「藉口」、「感覺」。當然啦，如果要進行字串的取代，PHP 也提供了 mb_ereg_replace() 這樣的函式。

「麻煩囉唆」的地方，就在於必須反覆地呼叫 mb_utf16()、utf16_to_big5() 這類函式，這讓程式（至少看起來）一下子變得複雜許多。只是，相較於物件導向的程式語言，經常需要建立一堆物件來處理（正規表達式的字串比對），我還是覺得 PHP 在使用上比較簡單些。

另外，值得一提的是，要在網路上找到使用 mb_ereg_serach_init() 或 mb_ereg_search_regs() 的範例程式，竟然比想像中來得困難許多。因為不知道合適的查詢字串長得什麼樣貌，我只能混用這幾個關鍵字，加上 example、source code 之類的字彙來查詢。然而，用 Google 搜尋的結果，找到的幾乎都是 PHP manual 的內容 --- 而很不幸的是，目前 PHP manual 沒有列出使用的範例。

這或許也是搜尋引擎的限制：當多數網頁都含有「並非使用者想要」的類似內容，而搜尋引擎又認為這些網頁是「相關網頁」時，很容易讓使用者感到挫折。通常，解決的方式是將問題推給使用者，希望使用者能夠自己找到更合適的查詢字串。但問題是：使用者該怎樣做，才能找到合適的查詢字串呢？