编码自动识别的基本思想如下：
1.看给定的字节串是否符合utf8编码规则。如果不符合则为gbk编码。
2.如果给定的字节串中没有符合utf8三字节规则的，则为gbk编码。中文在utf8中占三个字节。
3.如果给定的字节串能对应上gbk编码中的中文，且无法对应上utf8编码中的中文，则为gbk编码。
4.特殊情况，特殊处理。如 “鏈條” 和 “瑷媄”。
总体思想是，先默认为utf8编码，再根据一些非utf8编码的情况逐步筛选。
准确率和效率还是不错的。20万多条query，1秒钟就可以处理完。
php代码如下：
function detect_encoding($str){
$len = strlen($str);
$encoding = "utf8";
$is_utf8_chinese = false;
for ($i = 0; $i < $len; $i++) {
if ( (ord($str[$i]) >> 7) > 0 ) { //非ascii字符
if (ord($str[$i]) <= 191 ) {
$encoding = "gbk0";
break;
} else if ( ord($str[$i]) <= 223 ) { //前两位为11
if ( empty($str[$i+1]) or ord($str[$i+1]) >> 6 != 2 ) { //紧跟后两位为10
$encoding = "gbk1";
break;
} else {
$i += 1;
}
} else if ( ord($str[$i]) <= 239 ) { //前三位为111
if ( empty($str[$i+1]) or ord($str[$i+1]) >> 6 != 2 or empty($str[$i+2]) or ord($str[$i+2]) >> 6 != 2) { //紧跟后两位为10
$encoding = "gbk2";
break;
} else {
$i += 2;
$is_utf8_chinese = true;
}
} else if ( ord($str[$i]) <= 247 ) { //前四位为1111
if ( empty($str[$i+1]) or ord($str[$i+1]) >> 6 != 2 or empty($str[$i+2]) or ord($str[$i+2]) >> 6 != 2 or empty($str[$i+3]) or ord($str[$i+3]) >> 6 != 2) { //紧跟后两位为10
$encoding = "gbk3";
break;
} else {
$i += 3;
}
} else if ( ord($str[$i]) <= 251 ) { //前五位为11111
if ( empty($str[$i+1]) or ord($str[$i+1]) >> 6 != 2 or empty($str[$i+2]) or ord($str[$i+2]) >> 6 != 2 or empty($str[$i+3]) or ord($str[$i+3]) >> 6 != 2 or empty($str[$i+4]) or ord($str[$i+4]) >> 6 != 2) { //紧跟后两位为10
$encoding = "gbk4";
break;
} else {
$i += 4;
}
} else if ( ord($str[$i]) <= 253 ) { //前六位为111111
if ( empty($str[$i+1]) or ord($str[$i+1]) >> 6 != 2 or empty($str[$i+2]) or ord($str[$i+2]) >> 6 != 2 or empty($str[$i+3]) or ord($str[$i+3]) >> 6 != 2 or empty($str[$i+4]) or ord($str[$i+4]) >> 6 != 2 or empty($str[$i+5]) or ord($str[$i+5]) >> 6 != 2 ) { //紧跟后两位为10
$encoding = "gbk5";
break;
} else {
$i += 5;
}
} else {
$encoding = "gbk6";
break;
}
}
}
if ($is_utf8_chinese == false){
$encoding = "gbk10";
}
if ($encoding == "utf8" && preg_match("/^[".chr(0xa1)."-".chr(0xff)."\x20-\x7f]+$/", $str) && !preg_match("/^[\x{4e00}-\x{9fa5}\x20-\x7f]+$/u", $str)) {
$encoding = "gbk7";
}
//echo $encoding;
if ($encoding == "utf8") {
//echo "utf8";
return ($str == "鏈條" || $str == "瑷媄")? $str: mb_convert_encoding($str, "gbk", "utf8");
} else {
//echo "gbk";
return $str;
}
}记得代码最好在gbk编码中运行，因为代码中有汉字（$str == “鏈條” || $str == “瑷媄”）比较。当然你可以在utf8编码中运行，只要把汉字处理下。
评论