PHP汉字IMAP

Question

我通过 IMAP 从电子邮件中检索数据，我想 以编程方式检测（通过 PHP）正文是否包含中文、日文或韩文字符。我知道编码但不检测

    $mbox = imap_open ("{localhost:995/pop3/ssl/novalidate-cert}",  "info@***.com", "********");

    $email=$_REQUEST['email'];

    $num_mensaje = imap_search($mbox,"FROM $email");

    // grab the body for the same message
        $body =  imap_fetchbody($mbox,$num_mensaje[0],"1");

            //chinese for example
        $str = mb_convert_encoding($body,"UTF-8","EUC-CN");

    imap_close($mbox);

任何想法

Answer 1

• 你的意思是你不知道传入的消息是哪个 CJK 编码的？

查找该信息的规范位置是Content-Type: 标头中的charset= 参数。

不幸的是，提取它并不像您希望的那样简单。你真的会认为imap_header 返回的对象会包含类型信息，但事实并非如此。相反，您必须使用imap_fetchheader 从消息中获取原始标头，然后自己解析它们。

解析 RFC822 标头并不完全简单。对于简单的情况，您可能可以通过将每一行与^content-type:.*; *charset=([^;]+) 匹配（不区分大小写）而侥幸成功。但是要真正正确地做到这一点，尽管您必须通过适当的 RFC822 系列解析器（例如 MailParse）来运行整个消息标头和正文。

然后您仍然会遇到消息忽略包含charset 信息的问题。对于这种情况，您需要使用mb_detect_encoding。

• 或者您只是担心正确解码的字符代表哪种语言？

在这种情况下，您要使用与上述相同的方法读取的标头是Content-Language。但是，它通常不存在，在这种情况下，您必须再次进行猜测。 CJK 统一意味着所有语言都可能使用许多相同的字符，但您可以使用一些启发式方法进行猜测：

1. 消息所在的编码，来自上面。例如，如果是 EUC-CN，那么您的语言很可能是简体中文。

2. 文本中存在任何假名（U+3040–U+30FF -> 日文）或韩文（U+AC00–U+D7FF -> 韩文）。

3. 简体和繁体汉字的存在。尽管有些字符可以代表其中任何一种，但其他字符（两个变体之间的笔画有显着变化）只适合一个。检测它们存在的简单方法是尝试将字符串编码为 GBK 和 Big5 编码并查看它是否失败。即如果你不能编码成GBK但你能编码成Big5，那就是繁体中文。