Разное

Считывая информацию из файла посредством функции file_get_contents, я получил и три служебных знака, соответствующих кодировке file_get_contents. Посмотрев текстовый файл редактором WinHex, я обнаружил в начале файла такие три кода: EF BB BF

Для избавления от этих кодов сделано так:

<?php     $spisok = file_get_contents($adr_dir . $file);     $spisok = str_replace(chr(239).chr(187).chr(191),"",$spisok);

Теперь опасаюсь, не повредился ли при этом случайно сам текст? Вель эти коды имеют кириллический эквовалент...

file_get_contents() позволяет считывать файл, предварительно пропустив несколько байт:

<? $spisok = file_get_contents($adr_dir . $file, null, null, 3);

В этом примере пропускаются первые три байта — этот пресловутый BOM.

Да, так было бы лучше. Нюанс в том, что я уже объединил вместе информацию из нескольких файлов, так что ВОМ оказался и в середине...

Кроме того, не всегда в начале файла есть ВОМ (по крайней мере, у меня не во всех файлах, полученных из разных источников).

Если у вас остались исходники, то можно переклеить их заново.
Удалить BOM можно таким образом:

<? preg_replace('!^\xEF\xBB\xBF!', '', $content);

Соовтетственно, если в начале файла не окажется BOM, то ничего не произойдёт.

Спасибо, с этом теперь ясно!

А можно ли WinHex настроить так,чтобы он показывал десятичные коды знаков?

Не знаю. Я такой программой не пользовался.

> Вель эти коды имеют кириллический эквовалент...
Например?

Код (239) - буква п

Нет, код буквы "п" в UTF-8 совсем другой.

Короче говоря, твой код с str_replace(bom, '', ...) не может испортить текст, т.к. последовательность "11101111 10111011 10111111" не может по определению (см. википедию) быть частью другого символа.

У меня получается так, что скрипт работает в 1251, но среди обрабатываемых текстовых файлов оказалось несколько в кодировке UTF-8, отсюда и сложности.

А в кодировке 1251 это как раз код буквы "п".

Но вцелом все оказалось нормально - грамматическая проверка не выявила ошибок в обработанном тексте.