HOWTO · PHP

PHP の utf8_encode 関数

この記事では、PHP の utf8_encode 関数の目的を紹介します。

このページの内容

utf8_encode() の役割は限定的です。バイト列が ISO-8859-1 の文字を表す文字列を、UTF-8 に変換します。元のエンコーディングが ISO-8859-1 だと分かっている場合に限って使用してください。エンコーディングを判定したり、任意の文字化けを修復したり、HTMLエンティティを文字に変換したりする関数ではありません。関数名は実行する変換を表していますが、入力文字列がすべて正しい多言語テキストになるという意味ではありません。

What utf8_encode() Converts

PHPの文字列はバイト列です。エンコーディングは、そのバイト列で文字をどう表すかを定めます。ISO-8859-1 では é は1バイトの E9 で表され、UTF-8 では同じ文字が2バイトの C3 A9 で表されます。utf8_encode() は ISO-8859-1 の文字を UTF-8 のバイト表現に対応付けます。文字そのものを変更するわけではありません。

これは、バイト表現とは独立して文字を識別するUnicodeコードポイントとも、é や é のようなHTML文字参照とも異なります。参照のリテラル表記はASCIIテキストなので、そのバイト列は ISO-8859-1 で有効です。したがって utf8_encode() はそのバイト列をエンコードできます。参照のテキストはそのまま保持され、é や é を解釈して é にデコードすることはありません。その解釈はHTMLパーサーが別途行います。

ISO-8859-1 の文字列を変換する

元のエンコーディングを明確にするため、この例ではバイトを明示的に組み立てます。é を表す ISO-8859-1 のバイト E9 を使い、変換後のバイトを16進数で表示するようPHPに指示します。出力は c3a9 です。

次の例を実行します。

このセクションのコードと表示されるラベルや出力は英語のままです。

<?php
$source = "\xE9";
$converted = utf8_encode($source);
echo bin2hex($converted), PHP_EOL;
c3a9

実際のデータにこの方法を適用するときは、変換する前にバイトがどのように生成されたかを確認してください。ソースファイルに Café と表示されていても、そのバイト列が ISO-8859-1 だとは限りません。ソースファイルやエディターへの入力の多くは UTF-8 です。そのため、画面上では正しく見えても、UTF-8 で直接記述したリテラルは、デモ用の入力として不適切な場合があります。

Why the Source Encoding Matters

この関数は ISO-8859-1 を前提とし、入力を調べたり検証したりしません。é を表す UTF-8 のバイト列(C3 A9)を、ISO-8859-1 であるかのように渡すと、各バイトが別々の文字として解釈され、さらにエンコードされます。その結果、文字化けして表示されることがよくあります。この変換を繰り返しても、損なわれたテキストを確実に元へ戻すことはできません。

データベース、API、ファイル拡張子、あるいは数文字の見た目だけからエンコーディングを推測しないでください。データの生成元が示すエンコーディングと、接続設定やファイル設定を確認します。データが正しく見えない場合でも、見た目だけでは、原因が元のエンコーディングの不一致なのか、出力時の宣言なのか、データ経路上の別の変換なのかを判断できません。

Handle UTF-8 and Other Source Encodings

文字列がすでに UTF-8 なら、バイト列はそのままにし、utf8_encode() に渡さないでください。元データが別の既知のエンコーディングなら、その名前を明示する変換方法を選びます。たとえば、mbstring拡張が利用可能な場合、PHPの mb_convert_encoding($string, 'UTF-8', 'Windows-1252') でWindows-1252からUTF-8への変換を指定できます。必要な拡張機能とエンコーディング対応が利用できれば、iconv() も選択肢です。サンプルをもっともらしく表示できる変換を推測で選ぶのではなく、データについての信頼できる情報に基づいて元のエンコーディング名を指定してください。

データベースでは、実データのエンコーディングに合わせて接続とスキーマを設定し、変換が必要な境界でのみ変換します。APIでは、文書化された文字エンコーディングとレスポンスの扱いに従います。これらのデータ源が最初から ISO-8859-1 であるとは限らないため、値を取得したというだけで utf8_encode() を呼び出す理由にはなりません。

Verify the Result

データの流れの中で位置を明確に定め、そこでバイト列またはコードポイントを調べ、既知の入力に対する期待表現と比較してください。デバッグ中は bin2hex() を使うとバイト列を確認できます。診断用の出力は、ユーザー向けのレスポンスから取り除いてください。また、データベース接続、ファイルリーダー、HTMLレスポンスなど、次のコンポーネントが出力を UTF-8 として解釈することも確認します。正しい変換の後に、それと矛盾する出力宣言があると、表示は依然として誤って見えることがあります。

文字化けを調べるときは、値の生成元から各変換箇所、出力境界まで追跡してください。各境界で想定されるエンコーディングを記録し、現在のバイト列が分かるまでは別の変換を適用しないでください。こうすることで、元のエンコーディングの不一致と表示や宣言の問題を切り分けやすくなり、追加の変換によって元のデータの状態が分かりにくくなるのを防げます。