PHP 檔案編碼偵測與自動轉換實戰：解決 mb_detect_encoding 不可靠難題

檔案編碼偵測是處理多來源資料（CSV 匯入、日誌分析、舊系統遷移）的常見痛點。PHP 內建 mb_detect_encoding() 常因誤判率高而不可靠。本文提供一套基於「編碼往返驗證」的穩健偵測方案，並整合自動讀取轉換功能，可直接投入生產環境。

一、核心原理：編碼往返驗證

若字串以編碼 A 正確解碼，再以編碼 A 編碼回去，結果應與原位元組序列完全一致（MD5 相同）。利用此特性，可在候選編碼列表中精準匹配真實編碼。

二、編碼偵測函數

<?php
/**
 * 偵測檔案編碼
 * @param string $file 檔案路徑
 * @return string|null 編碼名稱或 null（無法識別）
 */
function detect_encoding($file) {
    $candidates = ['GBK', 'UTF-8', 'UTF-16LE', 'UTF-16BE', 'ISO-8859-1'];
    $content = file_get_contents($file);

    foreach ($candidates as $encoding) {
        // 往返轉換：原內容 → 目標編碼 → 原編碼
        $converted = mb_convert_encoding($content, $encoding, $encoding);
        if (md5($converted) === md5($content)) {
            return $encoding;
        }
    }
    return null;
}

三、自動讀取並轉換至目標編碼

/**
 * 自動識別編碼並讀取為指定編碼
 * @param string $file 檔案路徑
 * @param string $targetCharset 目標編碼（預設 UTF-8）
 * @return string 轉換後內容，失敗返回空字串
 */
function auto_read($file, $targetCharset = 'UTF-8') {
    $candidates = ['GBK', 'UTF-8', 'UTF-16LE', 'UTF-16BE', 'ISO-8859-1'];
    $content = file_get_contents($file);

    foreach ($candidates as $encoding) {
        $converted = mb_convert_encoding($content, $encoding, $encoding);
        if (md5($converted) === md5($content)) {
            // 識別成功，轉換至目標編碼
            return mb_convert_encoding($content, $targetCharset, $encoding);
        }
    }
    return ''; // 無法識別
}

四、使用範例

// 偵測編碼
$encoding = detect_encoding('data.csv');
echo "偵測編碼: " . ($encoding ?? '未知') . PHP_EOL;

// 自動讀取為 UTF-8
$utf8Content = auto_read('data.csv', 'UTF-8');
if ($utf8Content) {
    // 後續處理：CSV 解析、資料庫寫入等
    $rows = str_getcsv($utf8Content, "\n");
    // ...
} else {
    error_log("無法識別檔案編碼: data.csv");
}

五、擴展建議

1. 擴充候選編碼：根據業務來源添加 BIG5、Shift_JIS、EUC-KR 等。
2. 優先順序調整：將高頻編碼前置（如中文環境優先 UTF-8、GBK），提升命中速度。
3. 大檔案優化：僅讀取前 64KB 進行偵測（file_get_contents($file, false, null, 0, 65536)），避免載入整檔佔用記憶體。
4. BOM 處理：UTF-8/16/32 帶 BOM 時，mb_convert_encoding 會保留 BOM，必要時補充 preg_replace('/^\xEF\xBB\xBF/', '', $content) 移除。
5. 例外處理：檔案不存在、不可讀、磁碟錯誤等情況拋出異常或返回錯誤碼。

六、為什麼不直接用 mb_detect_encoding？

七、總結

「編碼往返驗證」雖非 PHP 獨創，但極適合解決 mb_detect_encoding 不準的實際痛點。本文提供的兩個函數結構清晰、零依賴、易擴展，可作為專案通用工具類 EncodingHelper 的核心方法，配合上述優化建議，能穩健應對 99% 的檔案編碼識別場景。