PHP 將單一 UTF-8 中文字轉 Unicode 碼位通用函數

功能說明

將單一 UTF-8 編碼中文字元轉換為對應的 Unicode 碼位（十進位或十六進位），不依賴任何擴展，純 PHP 實作。

核心原理

1. UTF-8 中文字佔 3 位元組：1110xxxx 10xxxxxx 10xxxxxx
2. 提取有效位元組合成 Unicode 碼位
3. 正則擷取：/^.{4}(.{4}).{2}(.{6}).{2}(.{6})$/

完整函數

<?php
/**
 * 將單一 UTF-8 中文字轉 Unicode 碼位
 * 
 * @param string|array $char 單一中文字或 str_split 後的陣列
 * @param bool $hex 輸出十六進位 (true) 或十進位 (false)
 * @return string|false Unicode 碼位字串，失敗回傳 false
 * @throws InvalidArgumentException 輸入非單一字元
 */
function getUnicodeFromUTF8($char, bool $hex = false): string|false {
    // 輸入標準化為字元陣列
    if (is_string($char)) {
        if (mb_strlen($char, 'UTF-8') !== 1) {
            throw new InvalidArgumentException('Input must be a single character');
        }
        $bytes = array_values(unpack('C*', $char));
    } elseif (is_array($char)) {
        $bytes = array_map('ord', $char);
    } else {
        throw new InvalidArgumentException('Input must be string or array');
    }
    
    // 非 3 位元組直接回傳原字元碼位
    if (count($bytes) !== 3) {
        $codepoint = $bytes[0];
        for ($i = 1; $i < count($bytes); $i++) {
            $codepoint = ($codepoint << 8) | $bytes[$i];
        }
        return $hex ? dechex($codepoint) : (string)$codepoint;
    }
    
    // 組合二進位字串
    $bin = '';
    foreach ($bytes as $b) {
        $bin .= str_pad(decbin($b), 8, '0', STR_PAD_LEFT);
    }
    // 1110xxxx 10xxxxxx 10xxxxxx -> 提取 xxxx xxxxxx xxxxxx
    $bin = preg_replace('/^1110(.{4})10(.{6})10(.{6})$/', '$1$2$3', $bin);
    
    $codepoint = bindec($bin);
    return $hex ? strtoupper(dechex($codepoint)) : (string)$codepoint;
}

// 反向函數：Unicode 碼位轉 UTF-8 字元
function unicodeToUTF8(string $codepoint): string {
    $cp = ctype_xdigit($codepoint) ? hexdec($codepoint) : (int)$codepoint;
    if ($cp < 0 || $cp > 0x10FFFF) throw new InvalidArgumentException('Invalid codepoint');
    return mb_chr($cp, 'UTF-8');
}

// 測試
$tests = ['你', '好', '世', '界', 'A', '1', '😀'];
foreach ($tests as $ch) {
    $dec = getUnicodeFromUTF8($ch);
    $hex = getUnicodeFromUTF8($ch, true);
    $back = unicodeToUTF8($hex);
    echo "$ch => DEC:$dec HEX:$hex 回測:$back\n";
}
/* 輸出：
你 => DEC:20320 HEX:4F60 回測:你
好 => DEC:22909 HEX:597D 回測:好
世 => DEC:19990 HEX:4E16 回測:世
界 => DEC:30028 HEX:754C 回測:界
A => DEC:65 HEX:41 回測:A
1 => DEC:49 HEX:31 回測:1
😀 => DEC:128512 HEX:1F600 回測:😀
*/

應用場景

• 建立中文索引/排序對照表
• 字體子集化分析（檢測字元是否在字體範圍）
• Unicode 正規化處理前置檢查
• 資料庫字元集遷移驗證

效能優化版（查表法）

// 預計算常用字區塊 (基本多文種平面 BMP)
$unicodeCache = [];
function getUnicodeFast(string $ch): int {
    global $unicodeCache;
    if (isset($unicodeCache[$ch])) return $unicodeCache[$ch];
    $cp = mb_ord($ch); // PHP 7.2+ 內建
    return $unicodeCache[$ch] = $cp;
}

PHP 7.2+ 直接使用 mb_ord() / mb_chr() 即可，效能與正確性最佳。

注意事項

1. 輸入檔案**必須**為 UTF-8 編碼儲存
2. 僅處理單一字元，字串需先 mb_str_split() 或迴圈處理
3. Emoji (補充平面) 佔 4 位元組，函數已支援
4. 生產環境優先使用 mb_ord() 內建函數