ecrire/inc/charsets.php

   1 <?php
   2
   3 /***************************************************************************\
   4  *  SPIP, Systeme de publication pour l'internet                           *
   5  *                                                                         *
   6  *  Copyright (c) 2001-2007                                                *
   7  *  Arnaud Martin, Antoine Pitrou, Philippe Riviere, Emmanuel Saint-James  *
   8  *                                                                         *
   9  *  Ce programme est un logiciel libre distribue sous licence GNU/GPL.     *
  10  *  Pour plus de details voir le fichier COPYING.txt ou l'aide en ligne.   *
  11 \***************************************************************************/
  12
  13
  14 //
  15 if (!defined("_ECRIRE_INC_VERSION")) return;
  16
  17
  18 /*
  19  * charsets supportes en natif : voir les tables dans ecrire/charsets/
  20  * les autres charsets sont supportes via mbstring()
  21  */
  22
  23 // http://doc.spip.org/@load_charset
  24 function load_charset ($charset = 'AUTO', $langue_site = 'AUTO') {
  25         if ($charset == 'AUTO')
  26                 $charset = $GLOBALS['meta']['charset'];
  27         $charset = trim(strtolower($charset));
  28         if (isset($GLOBALS['CHARSET'][$charset]))
  29                 return $charset;
  30
  31         if ($langue_site == 'AUTO')
  32                 $langue_site = $GLOBALS['meta']['langue_site'];
  33
  34         if ($charset == 'utf-8') {
  35                 $GLOBALS['CHARSET'][$charset] = array();
  36                 return $charset;
  37         }
  38
  39         // Quelques synonymes
  40         if ($charset == '') $charset = 'iso-8859-1';
  41         else if ($charset == 'windows-1250') $charset = 'cp1250';
  42         else if ($charset == 'windows-1251') $charset = 'cp1251';
  43         else if ($charset == 'windows-1256') $charset = 'cp1256';
  44
  45         if (include_spip('charsets/'.$charset)) {
  46                 return $charset;
  47         } else {
  48                 spip_log("Erreur: pas de fichier de conversion 'charsets/$charset'");
  49                 $GLOBALS['CHARSET'][$charset] = array();
  50                 return false;
  51         }
  52 }
  53
  54 //
  55 // Verifier qu'on peut utiliser mb_string
  56 //
  57 // http://doc.spip.org/@init_mb_string
  58 function init_mb_string() {
  59         static $mb;
  60
  61         // verifier que tout est present (fonctions mb_string pour php >= 4.0.6)
  62         // et que le charset interne est connu de mb_string
  63         if (!$mb) {
  64                 if (function_exists('mb_internal_encoding')
  65                 AND function_exists('mb_detect_order')
  66                 AND function_exists('mb_substr')
  67                 AND function_exists('mb_strlen')
  68                 AND function_exists('mb_encode_mimeheader')
  69                 AND function_exists('mb_encode_numericentity')
  70                 AND function_exists('mb_decode_numericentity')
  71                 AND mb_detect_order($GLOBALS['meta']['charset'])
  72                 ) {
  73                         mb_internal_encoding('utf-8');
  74                         $mb = 1;
  75                 } else
  76                         $mb = -1;
  77         }
  78
  79         return ($mb == 1);
  80 }
  81
  82 // Detecter les versions buggees d'iconv
  83 // http://doc.spip.org/@test_iconv
  84 function test_iconv() {
  85         static $iconv_ok;
  86
  87         if (!$iconv_ok) {
  88                 if (!function_exists('iconv'))
  89                         $iconv_ok = -1;
  90                 else {
  91                         if (utf_32_to_unicode(@iconv('utf-8', 'utf-32', 'chaine de test')) == 'chaine de test')
  92                                 $iconv_ok = 1;
  93                         else
  94                                 $iconv_ok = -1;
  95                 }
  96         }
  97         return ($iconv_ok == 1);
  98 }
  99
 100 // Test de fonctionnement du support UTF-8 dans PCRE
 101 // (contournement bug Debian Woody)
 102 // http://doc.spip.org/@test_pcre_unicode
 103 function test_pcre_unicode() {
 104         static $pcre_ok = 0;
 105
 106         if (!$pcre_ok) {
 107                 $s = " ".chr(195).chr(169)."t".chr(195).chr(169)." ";
 108                 if (preg_match(',\W\w\w\w\W,uS', $s)) $pcre_ok = 1;
 109                 else $pcre_ok = -1;
 110         }
 111         return $pcre_ok == 1;
 112 }
 113
 114 // Plages alphanumeriques (incomplet...)
 115 // http://doc.spip.org/@pcre_lettres_unicode
 116 function pcre_lettres_unicode() {
 117         static $plage_unicode;
 118
 119         if (!$plage_unicode) {
 120                 if (test_pcre_unicode()) {
 121                         // cf. http://www.unicode.org/charts/
 122                         $plage_unicode = '\w' // iso-latin
 123                                 . '\x{100}-\x{24f}' // europeen etendu
 124                                 . '\x{300}-\x{1cff}' // des tas de trucs
 125                         ;
 126                 }
 127                 else {
 128                         // fallback a trois sous
 129                         $plage_unicode = '\w';
 130                 }
 131         }
 132         return $plage_unicode;
 133 }
 134
 135 // Plage ponctuation de 0x2000 a 0x206F
 136 // (i.e. de 226-128-128 a 226-129-176)
 137 // http://doc.spip.org/@plage_punct_unicode
 138 function plage_punct_unicode() {
 139         return '\xE2(\x80[\x80-\xBF]|\x81[\x80-\xAF])';
 140 }
 141
 142 // corriger caracteres non-conformes : 128-159
 143 // cf. charsets/iso-8859-1.php (qu'on recopie ici pour aller plus vite)
 144 // http://doc.spip.org/@corriger_caracteres_windows
 145 function corriger_caracteres_windows($texte, $charset='AUTO') {
 146         static $trans;
 147
 148         if ($charset=='AUTO') $charset = $GLOBALS['meta']['charset'];
 149         if ($charset == 'utf-8') {
 150                 $p = chr(194);
 151         } else if ($charset == 'iso-8859-1') {
 152                 $p = '';
 153         } else
 154                 return $texte;
 155
 156         if (!isset($trans[$charset])) {
 157                 $trans[$charset] = array(
 158                         $p.chr(128) => "&#8364;",
 159                         $p.chr(129) => ' ', # pas affecte
 160                         $p.chr(130) => "&#8218;",
 161                         $p.chr(131) => "&#402;",
 162                         $p.chr(132) => "&#8222;",
 163                         $p.chr(133) => "&#8230;",
 164                         $p.chr(134) => "&#8224;",
 165                         $p.chr(135) => "&#8225;",
 166                         $p.chr(136) => "&#710;",
 167                         $p.chr(137) => "&#8240;",
 168                         $p.chr(138) => "&#352;",
 169                         $p.chr(139) => "&#8249;",
 170                         $p.chr(140) => "&#338;",
 171                         $p.chr(141) => ' ', # pas affecte
 172                         $p.chr(142) => "&#381;",
 173                         $p.chr(143) => ' ', # pas affecte
 174                         $p.chr(144) => ' ', # pas affecte
 175                         $p.chr(145) => "&#8216;",
 176                         $p.chr(146) => "&#8217;",
 177                         $p.chr(147) => "&#8220;",
 178                         $p.chr(148) => "&#8221;",
 179                         $p.chr(149) => "&#8226;",
 180                         $p.chr(150) => "&#8211;",
 181                         $p.chr(151) => "&#8212;",
 182                         $p.chr(152) => "&#732;",
 183                         $p.chr(153) => "&#8482;",
 184                         $p.chr(154) => "&#353;",
 185                         $p.chr(155) => "&#8250;",
 186                         $p.chr(156) => "&#339;",
 187                         $p.chr(157) => ' ', # pas affecte
 188                         $p.chr(158) => "&#382;",
 189                         $p.chr(159) => "&#376;",
 190                 );
 191         }
 192         return strtr($texte, $trans[$charset]);
 193 }
 194
 195
 196 //
 197 // Transformer les &eacute; en &#123;
 198 // $secure = true pour *ne pas convertir* les caracteres malins &lt; &amp; etc.
 199 //
 200 // http://doc.spip.org/@html2unicode
 201 function html2unicode($texte, $secure=false) {
 202         if (strpos($texte,'&') === false) return $texte;
 203         static $trans;
 204         if (!$trans) {
 205                 global $CHARSET;
 206                 load_charset('html');
 207                 foreach ($CHARSET['html'] as $key => $val) {
 208                         $trans["&$key;"] = $val;
 209                 }
 210         }
 211
 212         if ($secure)
 213                 return strtr($texte, $trans);
 214         else
 215                 return strtr(strtr($texte, $trans),
 216                         array('&amp;'=>'&', '&quot;'=>'"', '&lt;'=>'<', '&gt;'=>'>')
 217                 );
 218 }
 219
 220 //
 221 // Transformer les &eacute; en &#123;
 222 //
 223 // http://doc.spip.org/@mathml2unicode
 224 function mathml2unicode($texte) {
 225         static $trans;
 226         if (!$trans) {
 227                 global $CHARSET;
 228                 load_charset('mathml');
 229
 230                 foreach ($CHARSET['mathml'] as $key => $val)
 231                         $trans["&$key;"] = $val;
 232         }
 233
 234         return strtr($texte, $trans);
 235 }
 236
 237
 238 //
 239 // Transforme une chaine en entites unicode &#129;
 240 //
 241 // Note: l'argument $forcer est obsolete : il visait a ne pas
 242 // convertir les accents iso-8859-1
 243 // http://doc.spip.org/@charset2unicode
 244 function charset2unicode($texte, $charset='AUTO' /* $forcer: obsolete*/) {
 245         static $trans;
 246
 247         if ($charset == 'AUTO')
 248                 $charset = $GLOBALS['meta']['charset'];
 249
 250         if ($charset == '') $charset = 'iso-8859-1';
 251         $charset = strtolower($charset);
 252
 253         switch ($charset) {
 254         case 'utf-8':
 255                 return utf_8_to_unicode($texte);
 256
 257         case 'iso-8859-1':
 258                 $texte = corriger_caracteres_windows($texte, 'iso-8859-1');
 259                 // pas de break; ici, on suit sur default:
 260
 261         default:
 262                 // mbstring presente ?
 263                 if (init_mb_string()) {
 264                         if ($order = mb_detect_order() # mb_string connait-il $charset?
 265                         AND mb_detect_order($charset)) {
 266                                 $s = mb_convert_encoding($texte, 'utf-8', $charset);
 267                                 if ($s && $s != $texte) return utf_8_to_unicode($s);
 268                         }
 269                         mb_detect_order($order); # remettre comme precedemment
 270                 }
 271
 272                 // Sinon, peut-etre connaissons-nous ce charset ?
 273                 if (!isset($trans[$charset])) {
 274                         global $CHARSET;
 275                         if ($cset = load_charset($charset)
 276                         AND is_array($CHARSET[$cset]))
 277                                 foreach ($CHARSET[$cset] as $key => $val) {
 278                                         $trans[$charset][chr($key)] = '&#'.$val.';';
 279                         }
 280                 }
 281                 if (count($trans[$charset]))
 282                         return strtr($texte, $trans[$charset]);
 283
 284                 // Sinon demander a iconv (malgre le fait qu'il coupe quand un
 285                 // caractere n'appartient pas au charset, mais c'est un probleme
 286                 // surtout en utf-8, gere ci-dessus)
 287                 if (test_iconv()) {
 288                         $s = iconv($charset, 'utf-32le', $texte);
 289                         if ($s) return utf_32_to_unicode($s);
 290                 }
 291
 292                 // Au pire ne rien faire
 293                 spip_log("erreur charset '$charset' non supporte");
 294                 return $texte;
 295         }
 296 }
 297
 298 //
 299 // Transforme les entites unicode &#129; dans le charset specifie
 300 // Attention on ne transforme pas les entites < &#128; car si elles
 301 // ont ete encodees ainsi c'est a dessein
 302 // http://doc.spip.org/@unicode2charset
 303 function unicode2charset($texte, $charset='AUTO') {
 304         static $CHARSET_REVERSE;
 305         static $trans = array();
 306
 307         if ($charset == 'AUTO')
 308                 $charset = $GLOBALS['meta']['charset'];
 309
 310         switch($charset) {
 311         case 'utf-8':
 312                 return unicode_to_utf_8($texte);
 313                 break;
 314
 315         default:
 316                 $charset = load_charset($charset);
 317
 318                 if (!is_array($CHARSET_REVERSE[$charset])) {
 319                         $CHARSET_REVERSE[$charset] = array_flip($GLOBALS['CHARSET'][$charset]);
 320                 }
 321
 322                 if (!isset($trans[$charset])){
 323                         $trans[$charset]=array();
 324                         $t = &$trans[$charset];
 325                         for($e=128;$e<255;$e++){
 326                                 $h = dechex($e);
 327                                 if ($s = isset($CHARSET_REVERSE[$charset][$e])){
 328                                         $s = $CHARSET_REVERSE[$charset][$e];
 329                                         $t['&#'.$e.';'] = $t['&#0'.$e.';'] = $t['&#00'.$e.';'] = chr($s);
 330                                         $t['&#x'.$h.';'] = $t['&#x0'.$h.';'] = $t['&#x00'.$h.';'] = chr($s);
 331                                 }
 332                                 else{
 333                                         $t['&#'.$e.';'] = $t['&#0'.$e.';'] = $t['&#00'.$e.';'] = chr($e);
 334                                         $t['&#x'.$h.';'] = $t['&#x0'.$h.';'] = $t['&#x00'.$h.';'] = chr($e);
 335                                 }
 336                         }
 337                 }
 338                 $texte = strtr($texte, $trans[$charset]);
 339                 return $texte;
 340         }
 341 }
 342
 343
 344 // Importer un texte depuis un charset externe vers le charset du site
 345 // (les caracteres non resolus sont transformes en &#123;)
 346 // http://doc.spip.org/@importer_charset
 347 function importer_charset($texte, $charset = 'AUTO') {
 348         return unicode2charset(charset2unicode($texte, $charset));
 349 }
 350
 351 // UTF-8
 352 // http://doc.spip.org/@utf_8_to_unicode
 353 function utf_8_to_unicode($source) {
 354
 355         // mb_string : methode rapide
 356         if (init_mb_string()) {
 357                 $convmap = array(0x7F, 0xFFFFFF, 0x0, 0xFFFFFF);
 358                 return mb_encode_numericentity($source, $convmap, 'UTF-8');
 359         }
 360
 361         // Sinon methode pas a pas
 362         static $decrement;
 363         static $shift;
 364
 365         // Cf. php.net, par Ronen. Adapte pour compatibilite < php4
 366         if (!is_array($decrement)) {
 367                 // array used to figure what number to decrement from character order value
 368                 // according to number of characters used to map unicode to ascii by utf-8
 369                 $decrement[4] = 240;
 370                 $decrement[3] = 224;
 371                 $decrement[2] = 192;
 372                 $decrement[1] = 0;
 373                 // the number of bits to shift each charNum by
 374                 $shift[1][0] = 0;
 375                 $shift[2][0] = 6;
 376                 $shift[2][1] = 0;
 377                 $shift[3][0] = 12;
 378                 $shift[3][1] = 6;
 379                 $shift[3][2] = 0;
 380                 $shift[4][0] = 18;
 381                 $shift[4][1] = 12;
 382                 $shift[4][2] = 6;
 383                 $shift[4][3] = 0;
 384         }
 385
 386         $pos = 0;
 387         $len = strlen ($source);
 388         $encodedString = '';
 389         while ($pos < $len) {
 390                 $char = '';
 391                 $ischar = false;
 392                 $asciiPos = ord (substr ($source, $pos, 1));
 393                 if (($asciiPos >= 240) && ($asciiPos <= 255)) {
 394                         // 4 chars representing one unicode character
 395                         $thisLetter = substr ($source, $pos, 4);
 396                         $pos += 4;
 397                 }
 398                 else if (($asciiPos >= 224) && ($asciiPos <= 239)) {
 399                         // 3 chars representing one unicode character
 400                         $thisLetter = substr ($source, $pos, 3);
 401                         $pos += 3;
 402                 }
 403                 else if (($asciiPos >= 192) && ($asciiPos <= 223)) {
 404                         // 2 chars representing one unicode character
 405                         $thisLetter = substr ($source, $pos, 2);
 406                         $pos += 2;
 407                 }
 408                 else {
 409                         // 1 char (lower ascii)
 410                         $thisLetter = substr ($source, $pos, 1);
 411                         $pos += 1;
 412                         $char = $thisLetter;
 413                         $ischar = true;
 414                 }
 415
 416                 if ($ischar)
 417                         $encodedString .= $char;
 418                 else {  // process the string representing the letter to a unicode entity
 419                         $thisLen = strlen ($thisLetter);
 420                         $thisPos = 0;
 421                         $decimalCode = 0;
 422                         while ($thisPos < $thisLen) {
 423                                 $thisCharOrd = ord (substr ($thisLetter, $thisPos, 1));
 424                                 if ($thisPos == 0) {
 425                                         $charNum = intval ($thisCharOrd - $decrement[$thisLen]);
 426                                         $decimalCode += ($charNum << $shift[$thisLen][$thisPos]);
 427                                 } else {
 428                                         $charNum = intval ($thisCharOrd - 128);
 429                                         $decimalCode += ($charNum << $shift[$thisLen][$thisPos]);
 430                                 }
 431                                 $thisPos++;
 432                         }
 433                         $encodedLetter = "&#". ereg_replace('^0+', '', $decimalCode) . ';';
 434                         $encodedString .= $encodedLetter;
 435                 }
 436         }
 437         return $encodedString;
 438 }
 439
 440 // UTF-32 ne sert plus que si on passe par iconv, c'est-a-dire quand
 441 // mb_string est absente ou ne connait pas notre charset
 442 // mais on l'optimise quand meme par mb_string
 443 // => tout ca sera osolete quand on sera surs d'avoir mb_string
 444 // http://doc.spip.org/@utf_32_to_unicode
 445 function utf_32_to_unicode($source) {
 446
 447         // mb_string : methode rapide
 448         if (init_mb_string()) {
 449                 $convmap = array(0x7F, 0xFFFFFF, 0x0, 0xFFFFFF);
 450                 $source = mb_encode_numericentity($source, $convmap, 'UTF-32LE');
 451                 return str_replace(chr(0), '', $source);
 452         }
 453
 454         // Sinon methode lente
 455         $texte = '';
 456         while ($source) {
 457                 $words = unpack("V*", substr($source, 0, 1024));
 458                 $source = substr($source, 1024);
 459                 foreach ($words as $word) {
 460                         if ($word < 128)
 461                                 $texte .= chr($word);
 462                         // ignorer le BOM - http://www.unicode.org/faq/utf_bom.html
 463                         else if ($word != 65279)
 464                                 $texte .= '&#'.$word.';';
 465                 }
 466         }
 467         return $texte;
 468
 469 }
 470
 471 // Ce bloc provient de php.net, auteur Ronen
 472 // http://doc.spip.org/@caractere_utf_8
 473 function caractere_utf_8($num) {
 474         if($num<128)
 475                 return chr($num);
 476         if($num<2048)
 477                 return chr(($num>>6)+192).chr(($num&63)+128);
 478         if($num<65536)
 479                 return chr(($num>>12)+224).chr((($num>>6)&63)+128).chr(($num&63)+128);
 480         if($num<1114112)
 481                 return chr($num>>18+240).chr((($num>>12)&63)+128).chr(($num>>6)&63+128). chr($num&63+128);
 482         return '';
 483 }
 484
 485 // http://doc.spip.org/@unicode_to_utf_8
 486 function unicode_to_utf_8($texte) {
 487
 488         // 1. Entites &#128; et suivantes
 489         $vu = array();
 490         if (preg_match_all(',&#0*([1-9][0-9][0-9]+);,S',
 491         $texte, $regs, PREG_SET_ORDER))
 492         foreach ($regs as $reg) {
 493                 if ($reg[1]>127 AND !isset($vu[$reg[0]]))
 494                         $vu[$reg[0]] = caractere_utf_8($reg[1]);
 495         }
 496         $texte = str_replace(array_keys($vu), $vu, $texte);
 497
 498         // 2. Entites > &#xFF;
 499         $vu = array();
 500         if (preg_match_all(',&#x0*([1-9a-f][0-9a-f][0-9a-f]+);,iS',
 501         $texte, $regs, PREG_SET_ORDER))
 502         foreach ($regs as $reg) {
 503                 if (!isset($vu[$reg[0]]))
 504                         $vu[$reg[0]] = caractere_utf_8(hexdec($reg[1]));
 505         }
 506         return str_replace(array_keys($vu), $vu, $texte);
 507
 508 }
 509
 510 // convertit les &#264; en \u0108
 511 // http://doc.spip.org/@unicode_to_javascript
 512 function unicode_to_javascript($texte) {
 513         $vu = array();
 514         while (preg_match(',&#0*([0-9]+);,S', $texte, $regs) AND !isset($vu[$regs[1]])) {
 515                 $num = $regs[1];
 516                 $vu[$num] = true;
 517                 $s = '\u'.sprintf("%04x", $num);
 518                 $texte = str_replace($regs[0], $s, $texte);
 519         }
 520         return $texte;
 521 }
 522
 523 // convertit les %uxxxx (envoyes par javascript)
 524 // http://doc.spip.org/@javascript_to_unicode
 525 function javascript_to_unicode ($texte) {
 526         while (ereg("%u([0-9A-F][0-9A-F][0-9A-F][0-9A-F])", $texte, $regs))
 527                 $texte = str_replace($regs[0],"&#".hexdec($regs[1]).";", $texte);
 528         return $texte;
 529 }
 530 // convertit les %E9 (envoyes par le browser) en chaine du charset du site (binaire)
 531 // http://doc.spip.org/@javascript_to_binary
 532 function javascript_to_binary ($texte) {
 533         while (ereg("%([0-9A-F][0-9A-F])", $texte, $regs))
 534                 $texte = str_replace($regs[0],chr(hexdec($regs[1])), $texte);
 535         return $texte;
 536 }
 537
 538
 539 //
 540 // Translitteration charset => ascii (pour l'indexation)
 541 // Attention les caracteres non reconnus sont renvoyes en utf-8
 542 //
 543 // http://doc.spip.org/@translitteration
 544 function translitteration($texte, $charset='AUTO', $complexe='') {
 545         static $trans;
 546         if ($charset == 'AUTO')
 547                 $charset = $GLOBALS['meta']['charset'];
 548
 549         $table_translit ='translit'.$complexe;
 550
 551         // 0. Supprimer les caracteres illegaux
 552         include_spip('inc/filtres');
 553         $texte = corriger_caracteres($texte);
 554
 555         // 1. Passer le charset et les &eacute en utf-8
 556         $texte = unicode_to_utf_8(html2unicode(charset2unicode($texte, $charset, true)));
 557
 558         // 2. Translitterer grace a la table predefinie
 559         if (!$trans[$complexe]) {
 560                 global $CHARSET;
 561                 load_charset($table_translit);
 562                 foreach ($CHARSET[$table_translit] as $key => $val)
 563                         $trans[$complexe][caractere_utf_8($key)] = $val;
 564         }
 565
 566         return strtr($texte, $trans[$complexe]);
 567 }
 568
 569 // &agrave; est retourne sous la forme "a`" et pas "a"
 570 // mais si $chiffre=true, on retourne "a8" (vietnamien)
 571 // http://doc.spip.org/@translitteration_complexe
 572 function translitteration_complexe($texte, $chiffres=false) {
 573         $texte = translitteration($texte,'AUTO','complexe');
 574
 575         if ($chiffres) {
 576                 $texte = preg_replace("/[aeiuoyd]['`?~.^+(-]{1,2}/eS",
 577                         "translitteration_chiffree('\\0')", $texte);
 578         }
 579
 580         return $texte;
 581 }
 582 // http://doc.spip.org/@translitteration_chiffree
 583 function translitteration_chiffree($car) {
 584         return strtr($car, "'`?~.^+(-", "123456789");
 585 }
 586
 587
 588 // Reconnaitre le BOM utf-8 (0xEFBBBF)
 589 // http://doc.spip.org/@bom_utf8
 590 function bom_utf8($texte) {
 591         return (substr($texte, 0,3) == chr(0xEF).chr(0xBB).chr(0xBF));
 592 }
 593 // Verifie qu'un document est en utf-8 valide
 594 // http://us2.php.net/manual/fr/function.mb-detect-encoding.php#50087
 595 // http://w3.org/International/questions/qa-forms-utf-8.html
 596 // note: preg_replace permet de contourner un "stack overflow" sur PCRE
 597 // http://doc.spip.org/@is_utf8
 598 function is_utf8($string) {
 599         return !strlen(
 600         preg_replace(
 601           ',[\x09\x0A\x0D\x20-\x7E]'            # ASCII
 602         . '|[\xC2-\xDF][\x80-\xBF]'             # non-overlong 2-byte
 603         . '|\xE0[\xA0-\xBF][\x80-\xBF]'         # excluding overlongs
 604         . '|[\xE1-\xEC\xEE\xEF][\x80-\xBF]{2}'  # straight 3-byte
 605         . '|\xED[\x80-\x9F][\x80-\xBF]'         # excluding surrogates
 606         . '|\xF0[\x90-\xBF][\x80-\xBF]{2}'      # planes 1-3
 607         . '|[\xF1-\xF3][\x80-\xBF]{3}'          # planes 4-15
 608         . '|\xF4[\x80-\x8F][\x80-\xBF]{2}'      # plane 16
 609         . ',sS',
 610         '', $string));
 611 }
 612 // http://doc.spip.org/@is_ascii
 613 function is_ascii($string) {
 614         return !strlen(
 615         preg_replace(
 616         ',[\x09\x0A\x0D\x20-\x7E],sS',
 617         '', $string));
 618 }
 619
 620 // Transcode une page (attrapee sur le web, ou un squelette) en essayant
 621 // par tous les moyens de deviner son charset (y compris headers HTTP)
 622 // http://doc.spip.org/@transcoder_page
 623 function transcoder_page($texte, $headers='') {
 624
 625         // Si tout est < 128 pas la peine d'aller plus loin
 626         if (is_ascii($texte)) {
 627                 #spip_log('charset: ascii');
 628                 return $texte;
 629         }
 630
 631         // Reconnaitre le BOM utf-8 (0xEFBBBF)
 632         if (bom_utf8($texte)) {
 633                 $charset = 'utf-8';
 634                 $texte = substr($texte,3);
 635         }
 636
 637         // charset precise par le contenu (xml)
 638         else if (preg_match(
 639         ',<[?]xml[^>]*encoding[^>]*=[^>]*([-_a-z0-9]+?),UimsS', $texte, $regs))
 640                 $charset = trim(strtolower($regs[1]));
 641         // charset precise par le contenu (html)
 642         else if (preg_match(
 643         ',<(meta|html|body)[^>]*charset[^>]*=[^>]*([-_a-z0-9]+?),UimsS',
 644         $texte, $regs)
 645         # eviter #CHARSET des squelettes
 646         AND (($tmp = trim(strtolower($regs[2]))) != 'charset'))
 647                 $charset = $tmp;
 648         // charset de la reponse http
 649         else if (preg_match(',charset=([-_a-z0-9]+),i', $headers, $regs))
 650                 $charset = trim(strtolower($regs[1]));
 651
 652         // normaliser les noms du shif-jis japonais
 653         if (preg_match(',^(x|shift)[_-]s?jis$,i', $charset))
 654                 $charset = 'shift-jis';
 655
 656         if ($charset) {
 657                 spip_log("charset: $charset");
 658         } else {
 659                 // valeur par defaut
 660                 if (is_utf8($texte))
 661                         $charset = 'utf-8';
 662                 else
 663                         $charset = 'iso-8859-1';
 664                 spip_log("charset probable: $charset");
 665         }
 666
 667         return importer_charset($texte, $charset);
 668 }
 669
 670
 671 //
 672 // Gerer les outils mb_string
 673 //
 674 // http://doc.spip.org/@spip_substr
 675 function spip_substr($c, $start=0, $length = NULL) {
 676         // Si ce n'est pas utf-8, utiliser substr
 677         if ($GLOBALS['meta']['charset'] != 'utf-8') {
 678                 if ($length)
 679                         return substr($c, $start, $length);
 680                 else
 681                         substr($c, $start);
 682         }
 683
 684         // Si utf-8, voir si on dispose de mb_string
 685         if (init_mb_string()) {
 686                 if ($length)
 687                         return mb_substr($c, $start, $length);
 688                 else
 689                         return mb_substr($c, $start);
 690         }
 691
 692         // Version manuelle (cf. ci-dessous)
 693         return spip_substr_manuelle($c, $start, $length);
 694 }
 695
 696 // version manuelle de substr utf8, pour php vieux et/ou mal installe
 697 // http://doc.spip.org/@spip_substr_manuelle
 698 function spip_substr_manuelle($c, $start, $length = NULL) {
 699
 700         // Cas pathologique
 701         if ($length === 0)
 702                 return '';
 703
 704         // S'il y a un demarrage, on se positionne
 705         if ($start > 0)
 706                 $c = substr($c, strlen(spip_substr_manuelle($c, 0, $start)));
 707         elseif ($start < 0)
 708                 return spip_substr_manuelle($c, spip_strlen($c)+$start, $length);
 709
 710         if (!$length)
 711                 return $c;
 712
 713         if ($length > 0) {
 714                 // on prend n fois la longueur desiree, pour etre surs d'avoir tout
 715                 // (un caractere utf-8 prenant au maximum n bytes)
 716                 $n = 0; while (preg_match(',[\x80-\xBF]{'.(++$n).'},', $c));
 717                 $c = substr($c, 0, $n*$length);
 718                 // puis, tant qu'on est trop long, on coupe...
 719                 while (($l = spip_strlen($c)) > $length)
 720                         $c = substr($c, 0, $length - $l);
 721                 return $c;
 722         }
 723
 724         // $length < 0
 725         return spip_substr_manuelle($c, 0, spip_strlen($c)+$length);
 726 }
 727
 728 // http://doc.spip.org/@spip_strlen
 729 function spip_strlen($c) {
 730         // Si ce n'est pas utf-8, utiliser strlen
 731         if ($GLOBALS['meta']['charset'] != 'utf-8')
 732                 return strlen($c);
 733
 734         // Sinon, utiliser mb_strlen() si disponible
 735         if (init_mb_string())
 736                 return mb_strlen($c);
 737
 738         // Methode manuelle : on supprime les bytes 10......,
 739         // on compte donc les ascii (0.......) et les demarrages
 740         // de caracteres utf-8 (11......)
 741         return strlen(preg_replace(',[\x80-\xBF],S', '', $c));
 742 }
 743
 744 // Initialisation
 745 $GLOBALS['CHARSET'] = Array();
 746
 747 ?>