Detectar UTF-8, ASCII e ISO 8859-1 en PHP

La importancia de los juegos de caracteres y los collation es algo básico para tratar con cadenas de textos y más aún si hablamos un lenguaje que no “entra” dentro del ASCII como es nuestro caso. En Linux Hispano ya hablamos en su momento de este tema:

• Entender los juegos de caracteres y “collation” (Parte I y Parte II)

Hoy volvemos a hablar, pero en un contexto más práctico. Cuando trabajamos con PHP, tenemos instrucciones que nos permiten codificar o decodificar texto en diferentes formatos, por ejemplo: utf8_decode o utf8_encode. Sin embargo, no existe un método que nos confirme de manera directa si el texto está en cierta codificación o no.

En PHP y Otras Yerbas, nos muestran una serie de funciones de gran interés para conseguir justo esto, detectar la codificación que usa un texto:

<?php
define("UTF_8", 1);
define("ASCII", 2);
define("ISO_8859_1", 3);
function codificacion($texto)
{
	$c = 0;
	$ascii = true;
	for ($i = 0;$i<strlen($texto);$i++) {
		$byte = ord($texto[$i]);
		if ($c>0) {
			if (($byte>>6) != 0x2) {
				return ISO_8859_1;
			} else {
				$c--;
			}
		} elseif ($byte&0x80) {
			$ascii = false;
			if (($byte>>5) == 0x6) {
				$c = 1;
			} elseif (($byte>>4) == 0xE) {
				$c = 2;
			} elseif (($byte>>3) == 0x1E) {
				$c = 3;
			} else {
				return ISO_8859_1;
			}
		}
	}
	return ($ascii) ? ASCII : UTF_8;
}
?>

De esta forma nos evitamos tener el problema de convertir en UTF-8 una cadena que ya lo está. En el mismo blog nos dejan una función para hacer conversiones, con chequeo previo:

function utf8_encode_seguro($texto)
{
     return (codificacion($texto)==ISO_8859_1) ? utf8_encode($texto) : $texto;
}