¿Problemas en los tildes o acentos?

Desde que empecé en esto de la Web, siempre tuve un problema: las tildes. O me salía el típico signo de pregunta o bien me salían caracteres extraños, que intentando por aquí y por allá siempre lograba evitar, aunque a veces me superaba y optaba simplemente por terminar escribiendo su entidad.

Aunque no pretendo arreglarle la vida a todo el mundo, en este post sí les dejaré algunos tips para asegurarse de que todo funciona como debería: se verán algunas funciones de PHP que sirven harto y se verá superficialmente la interacción con bases de datos. Dato rosa antes de continuar: la diferencia entre acento y tilde, es que tilde representa el signo “ ´ “ mientras que acento se refiere a la fuerza que se le impregna a la sílaba específica. De esta manera, en la palabra “sílaba”, el tilde está en la letra “i”, mientras que el acento está en la sílaba “sí”.

Barniz teórico

Los charset no son más que códigos mediante los cuales el computador guarda de forma binaria la representación de un caracter que nosotros podamos entender y comprender. De esta manera, el computador no entiende lo que significa la letra “A”, pero sí conoce cómo trabajar con el número hexadecimal 65, representación de “A”. Es en esta última etapa donde está el problema: las codificaciones disponibles por razones históricas no son las mismas, por lo que en un charset determinado, la letra “A” podría estar representada por el número 190 y en otro por el 65.

Volviendo un poco a la realidad actual, hoy en día tenemos 2 codificaciones que son las más populares: la ISO-8859-1 y UTF-8. Aunque en sus primeros 127 caracteres son iguales, a partir de ahí la cosa cambia, aunque no mucho. Sin embargo, para la desgracia de los hispano-hablantes, cada letra que nos hace distinto al inglés, tiene una codificación distinta. Esto quiere decir que justamente las letras con tildes son aquellas que confundiéndolos de codificación, no vamos a poder entender y nos aparecen todo tipo de caracteres extraños, un signo de pregunta en caso de querer imprimir la letra “á” de ISO-8859-1 en una codificación UTF-8 y dos símbolos extraños (dos debido a que UTF-8 guarda la letra “á” en dos bytes en vez de uno) en caso de querer ver “á” codificado en UTF-8 en una codificación ISO-8859-1. Suena un poco enredado, pero tiene su lógica.

Empezando a solucionar el problema

Desde que comprendí el esquema de trabajo, es que empecé a ser constante, y es lo más importante sin duda. Sucede que las codificaciones están en todos lados: desde el archivo mismo con el que uno trabaja hasta la consulta que la DB devuelve. Para esto, primero debemos aclarar con cuál charset nos quedamos. Por opción personal, prefiero UTF-8 debido a que es más nuevo y más compatible a nivel global, no importando el sistema operativo. Un Linux instalado en China con sólo lo mínimo, es probable que no entienda la codificación ISO-8859-1 que es la latinoamericana, pero sí va a tener UTF-8 instalada.

Partiendo por esto, es que debemos asegurarnos en primer lugar que los archivos que creemos estén codificadas bajo UTF-8. En Linux, el cambio es fácil de hacer gracias a iconv, basta hacer un iconv -f ISO-8859-1 -t UTF-8 -o salida.txt entrada.txt para convertir uno (o más) archivos desde ISO-8859-1 a UTF-8. En Windows el asunto se pone un poco más complejo: el único método que sé que funciona es bajando PSPad y haciendo la conversión desde dentro del programa. Puede que exista una forma más fácil, pero no tengo ningún Windows a mano en este momento como para ponerme a averiguar.

Después de los archivos le toca a la base de datos. Ojo que en MySQL, la codificación UTF-8 no existe! Sólo existe utf8 (en minúsculas sin raya) y por supuesto latin1, que sería el equivalente a ISO-8859-1. Obviamente existen muchas codificaciones más, las que pueden ver aquí. Por lo general a MySQL le importa poco y nada el charset con el cual guarda los datos, sólo le importa el charset con el que entrega los datos, así que con decirle que trate todos los datos salientes en esa conexión como UTF-8 debería ser suficiente. ¿No sabe cómo? Ocupe mi class Si estás ocupando otro motor, ya depende de cada uno. En PostGreSQL por ejemplo, se define el charset cuando se crea la base de datos (échenle un vistazo a este thread en CHW para saber cómo cambiar de uno a otro), mientras que en otros motores la cosa puede ser un poco más difícil. De todas maneras, siempre debería ser posible poder cambiar el charset.

Finalmente, está la salida hacia el navegador. Aunque por lo general el navegador podrá averiguar por si solo el charset del documento (Apache tomará el control), hay veces que tanto Apache o el navegador no sabrán qué codificación aplicar. Para evitar estos errores, se debe usar PHP para señalar qué charset se ocupará en el documento, lo cual es algo que veremos en el próximo capítulo.

Funciones útiles de PHP

Algunas funciones muy útiles de PHP son sin duda el poderoso iconv() y en menor medida utf8_encode() y utf8_decode(). También sirven de utilidad htmlentities() (que por supuesto tiene su inversa html_entity_decode()) y su casi simil htmlspecialchars(). Por supuesto que también es importante la función header(), ya que sin ella Apache asumirá el control, lo cual obviamente no es la idea. Existen otras funciones que hacen cosas parecidas o que extienden las funcionalidades, pero jamás las he ocupado y para casi cualquier operación que se quiera hacer, con el uso de estas funciones uno está más que bien.

Pero qué se puede hacer con estas funciones? Básicamente, convertir de un formato a otro. Aunque claramente están explicadas en el manual, haré un pequeño resumen acerca de qué es lo que hacen estas funciones:

iconv: Convierte de un charset a otro arbitrariamente. Ejemplo de uso:

<?php
$cadena = iconv('ISO-8859-1','UTF-8//TRANSLIT','cádéñá cón tíldés');

El primer parámetro es origen, segundo destino y le agregué TRANSLIT para que de esta manera, se “traduzca” la letra que no se conoce lo mejor posible. Esto podría llegar a pasar con algunos caracteres extraños.

utf8_encode y utf8_decode: Respectivamente, son sinónimos para:

<?php
iconv('ISO-8859-1','UTF-8//TRANSLIT','cádéñá cón tíldés');
iconv('UTF-8','ISO-8859-1//TRANSLIT','cádéñá cón tíldés');

htmlentities: Convierte todos los caracteres que tienen alguna equivalencia en entidad a su respectiva entidad. Sugiero leer la documentación oficial ya que es bien powa esta función.

html_entity_decode: Lo mismo que la anterior, pero al revés.

htmlspecialchars: Lo mismo que htmlentities pero sólo se aplica a los siguientes caracteres: & => & “ => " (Sólo cuando ENT_NOQUOTES no se encuentra presente) ‘ => ' (Sólo cuando ENT_QUOTES está presente) < => <

=> >

header: Permite mandar cabeceras al navegador. Lo más genial de esta función es que nos permite enviar el charset de la siguiente forma:

<?php
define('CHARSET','UTF-8');
header('Content-type: text/html; charset='.CHARSET);

Conclusiones

Para trabajar de una buena manera, recomiendo en muy resumidas cuentas:

Crea todos tus archivos bajo la codificación UTF-8 Mantén la base de datos (y por supuesto las tablas en el caso de MySQL) bajo la codificación UTF-8 Siempre señala en tu cabecera la codificación que irá a ocupar la página.

Espero que les haya servido el post. Intenté hacerlo lo más corto posible sin caer en hacerlo demasiado complicado.