php对gb编码动态转utf-8编码的几种方法评测

在《IP地址->地理位置转换的测评》一文中提到用ip2addr函数直接读取IP数据库文件是效率最高的，相比用MySQL数据库存储IP数据，用SQL查询是效率最低的。但是IP数据库文件QQWry.dat是GB2312编码的。现在我需要UTF-8编码的地理位置结果。如果用MySQL方法，可以在数据存入数据库时就转换为UTF-8编码，一劳永逸。但是QQWry.dat文件又无法修改，只能把ip2addr函数的输出结果再进行动态转换。
动态转换GB->UTF-8编码至少有四种方法：
用PHP的iconv扩展转换
用PHP的mb_string扩展转换
用对换表转换，对换表存储在MySQL数据库中
用对换表转换，对换表存储在文本文件中
前两种方法要服务器作了相应设置（编译安装了相应扩展）才能使用。我的虚拟主机没有这两个扩展，只好考虑后两种方法。前两个方法本文也不进行测评。
测评程序如下（func_ip.php参见《IP地址->地理位置转换的测评》一文）：
<?phprequire_once ("func_ip.php");function u2utf8($c) {  $str = "";  if ($c < 0x80) {    $str .= $c;  } elseif ($c < 0x800) {    $str .= chr(0xC0 | $c >> 6);    $str .= chr(0x80 | $c & 0x3F);  } elseif ($c < 0x10000) {    $str .= chr(0xE0 | $c >> 12);    $str .= chr(0x80 | $c >> 6 & 0x3F);    $str .= chr(0x80 | $c & 0x3F);  } elseif ($c < 0x200000) {    $str .= chr(0xF0 | $c >> 18);    $str .= chr(0x80 | $c >> 12 & 0x3F);    $str .= chr(0x80 | $c >> 6 & 0x3F);    $str .= chr(0x80 | $c & 0x3F);  }  return $str;}function GB2UTF8_SQL($strGB) {  if (!trim($strGB)) return $strGB;  $strRet = "";  $intLen = strlen($strGB);  for ($i = 0; $i < $intLen; $i++) {    if (ord($strGB{$i}) > 127) {        $strCurr = substr($strGB, $i, 2);        $intGB = hexdec(bin2hex($strCurr)) - 0x8080;        $strSql = "SELECT code_unicode FROM nnstats_gb_unicode          WHERE code_gb = ".$intGB." LIMIT 1"        ;        $resResult = mysql_query($strSql);        if ($arrCode = mysql_fetch_array($resResult)) $strRet .= u2utf8($arrCode["code_unicode"]);        else $strRet .= "??";        $i++;    } else {        $strRet .= $strGB{$i};    }  }  return $strRet;}function GB2UTF8_FILE($strGB) {  if (!trim($strGB)) return $strGB;  $arrLines = file("gb_unicode.txt");  foreach ($arrLines as $strLine) {    $arrCodeTable[hexdec(substr($strLine, 0, 6))] = hexdec(substr($strLine, 7, 6));  }  $strRet = "";  $intLen = strlen($strGB);  for ($i = 0; $i < $intLen; $i++) {    if (ord($strGB{$i}) > 127) {        $strCurr = substr($strGB, $i, 2);        $intGB = hexdec(bin2hex($strCurr)) - 0x8080;        if ($arrCodeTable[$intGB]) $strRet .= u2utf8($arrCodeTable[$intGB]);        else $strRet .= "??";        $i++;    } else {        $strRet .= $strGB{$i};    }  }  return $strRet;}function EncodeIp($strDotquadIp) {  $arrIpSep = explode('.', $strDotquadIp);  if (count($arrIpSep) != 4) return 0;  $intIp = 0;     foreach ($arrIpSep as $k => $v) $intIp += (int)$v * pow(256, 3 - $k);  return $intIp;  //return sprintf('%02x%02x%02x%02x', $arrIpSep[0], $arrIpSep[1], $arrIpSep[2], $arrIpSep[3]);}function GetMicroTime() {  list($msec, $sec) = explode(" ", microtime());   return ((double)$msec + (double)$sec); }for ($i = 0; $i < 100; $i++) { // 随机产生100个ip地址  $strIp = mt_rand(0, 255).".".mt_rand(0, 255).".".mt_rand(0, 255).".".mt_rand(0, 255);  $arrAddr[$i] = ip2addr(EncodeIp($strIp));}$resConn = mysql_connect("localhost", "netnest", "netnest");mysql_select_db("test");// 测评MySQL查询的编码转换$dblTimeStart = GetMicroTime();for ($i = 0; $i < 100; $i++) {  $strUTF8Region = GB2UTF8_SQL($arrAddr[$i]["region"]);  $strUTF8Address = GB2UTF8_SQL($arrAddr[$i]["address"]);}$dblTimeDuration = GetMicroTime() - $dblTimeStart;// 测评结束并输出结果echo $dblTimeDuration; echo "\r\n";// 测评文本文件查询的编码转换$dblTimeStart = GetMicroTime();for ($i = 0; $i < 100; $i++) {  $strUTF8Region = GB2UTF8_FILE($arrAddr[$i]["region"]);  $strUTF8Address = GB2UTF8_FILE($arrAddr[$i]["address"]);}$dblTimeDuration = GetMicroTime() - $dblTimeStart;// 测评结束并输出结果echo $dblTimeDuration; echo "\r\n";?>测评两次结果（精确到3位小数，单位是秒）：
MySQL查询转换：0.112文本查询转换：10.590
MySQL查询转换：0.099文本查询转换：10.623
可见这次是MySQL方法遥遥领先于文件查询法。但是现在还不急于使用MySQL方法，因为文本文件方法之所以如此耗时，主要因为它每次转换都要把整个gb_unicode.txt读入内存，而gb_unicode.txt又是文本文件，格式如下：
0x2121   0x3000   # IDEOGRAPHIC SPACE0x2122   0x3001   # IDEOGRAPHIC COMMA0x2123   0x3002   # IDEOGRAPHIC FULL STOP0x2124   0x30FB   # KATAKANA MIDDLE DOT0x2125   0x02C9   # MODIFIER LETTER MACRON (Mandarin Chinese first tone)……0x552A   0x6458   # <CJK>0x552B   0x658B   # <CJK>0x552C   0x5B85   # <CJK>0x552D   0x7A84   # <CJK>……0x777B   0x9F37   # <CJK>0x777C   0x9F3D   # <CJK>0x777D   0x9F3E   # <CJK>0x777E   0x9F44   # <CJK>
文本文件效率较低，于是考虑把文本文件转换为二进制文件，然后用折半法查找这个文件，而不需要把整个文件读入内存。文件格式为：文件头2字节，存储记录数；接着一条接一条记录存入文件，每条记录4字节，前2字节对应GB代码，后2字节对应Unicode代码。转换程序如下：
<?php$arrLines = file("gb_unicode.txt");foreach ($arrLines as $strLine) {  $arrCodeTable[hexdec(substr($strLine, 0, 6))] = hexdec(substr($strLine, 7, 6));}ksort($arrCodeTable);$intCount = count($arrCodeTable);$strCount = chr($intCount % 256) . chr(floor($intCount / 256));$fileGBU = fopen("gbu.dat", "wb");fwrite($fileGBU, $strCount);foreach ($arrCodeTable as $k => $v) {  $strData = chr($k % 256) . chr(floor($k / 256)) . chr($v % 256) . chr(floor($v / 256));  fwrite($fileGBU, $strData);}fclose($fileGBU);?>执行程序后就获得了二进制的GB->Unicode对照表gbu.dat，并且数据记录按GB代码排了序，便于折半法查找。使用gbu.dat进行转码的函数如下：
function GB2UTF8_FILE1($strGB) {  if (!trim($strGB)) return $strGB;  $fileGBU = fopen("gbu.dat", "rb");  $strBuf = fread($fileGBU, 2);  $intCount = ord($strBuf{0}) + 256 * ord($strBuf{1});  $strRet = "";  $intLen = strlen($strGB);  for ($i = 0; $i < $intLen; $i++) {    if (ord($strGB{$i}) > 127) {        $strCurr = substr($strGB, $i, 2);        $intGB = hexdec(bin2hex($strCurr)) - 0x8080;        $intStart = 1;        $intEnd = $intCount;        while ($intStart < $intEnd - 1) { // 折半法查找          $intMid = floor(($intStart + $intEnd) / 2);          $intOffset = 2 + 4 * ($intMid - 1);          fseek($fileGBU, $intOffset);          $strBuf = fread($fileGBU, 2);          $intCode = ord($strBuf{0}) + 256 * ord($strBuf{1});          if ($intGB == $intCode) {            $intStart = $intMid;            break;          }          if ($intGB > $intCode) $intStart = $intMid;          else $intEnd = $intMid;        }        $intOffset = 2 + 4 * ($intStart - 1);        fseek($fileGBU, $intOffset);        $strBuf = fread($fileGBU, 2);        $intCode = ord($strBuf{0}) + 256 * ord($strBuf{1});        if ($intGB == $intCode) {          $strBuf = fread($fileGBU, 2);          $intCodeU = ord($strBuf{0}) + 256 * ord($strBuf{1});          $strRet .= u2utf8($intCodeU);        } else {          $strRet .= "??";        }        $i++;    } else {        $strRet .= $strGB{$i};    }  }  return $strRet;}把其加到原来的测评程序，对三种方法同时测评2次得到数据（精确到3位小数，单位：秒）：
MySQL方法：0.125文本文件方法：10.873二进制文件折半法：0.106
MySQL方法：0.102文本文件方法：10.677二进制文件折半法：0.092
可见二进制文件折半法还比MySQL法略有优势。但是上述测评都是对短的地理位置进行转码，如果对较长的文本转码又如何呢？我找来5个Blog的RSS 2.0文件，都是GB2312编码。测评三种方法对5个文件编码耗费的时间，2次测量数据如下（精确到3位小数，单位：秒）：
MySQL方法：7.206文本文件方法：0.772二进制文件折半法：5.022
MySQL方法：7.440文本文件方法：0.766二进制文件折半法：5.055
可见对长的文本是用文本文件的方法最优，因为转码对照表读入内存后，转码就可以很高效了。既然如此，我们还可以尝试改进一下，把文本文件方法改为：转码对照表从二进制文件gbu.dat读入内存，而不是文本文件。测评数据如下（精度和单位同上）：
从文本文件读入对照表：0.766从二进制文件读入对照表：0.831
从文本文件读入对照表：0.774从二进制文件读入对照表：0.833
表明这次改进失败了，从文本文件读入转码对照表更高效。
总结：用PHP对GB编码到UTF-8编码的动态转换，如果每次转换的文本很小，适宜用二进制文件结合折半法转换；如果每次转换的文本较大，适宜用文本文件存储转码对照表，并在转换前一次性把对照表读入内存。