萬盛學電腦網

您现在的位置: 萬盛學電腦網 >> 程式設計 >  >> 網路程式設計 >> PHP 程式設計

PHP 獲取字串首字母(支援中文拼音首字母)完整實作

需求背景

通訊錄排序、城市選擇器、標籤分組等場景常需獲取中文字串的拼音首字母(大寫)。PHP 無內建拼音轉換,需自行實現或使用擴展。本文提供基於 GB2312 編碼區間映射的純 PHP 實作,無需擴展即可部署。

核心原理

  • GB2312 編碼中,漢字按拼音順序排列,每個首字母對應一個連續的編碼區間。
  • 將字串轉為 GB2312 編碼,逐字元判斷:ASCII 字元直接保留;雙位元組字元查表得首字母。
  • 建立 26 個字母對應的起始/結束編碼映射表(十進制)。

完整實作代碼

<?php
/**
 * 獲取字串首字母(支援中文拼音首字母、英文、數字、符號)
 * @param string $str 輸入字串(UTF-8 編碼)
 * @param string $charset 內部處理編碼,預設 GB2312(拼音區間表基於此編碼)
 * @return string 首字母字串(大寫),無法識別字元返回 *
 */
function getFirstLetters(string $str, string $charset = 'GB2312'): string {
    // GB2312 拼音首字母區間表(十進制)
    // 來源:GB2312-80 標準漢字區劃
    static $pinyinRanges = [
        'A' => [45217, 45252], 'B' => [45253, 45760], 'C' => [45761, 46317],
        'D' => [46318, 46825], 'E' => [46826, 47009], 'F' => [47010, 47296],
        'G' => [47297, 47613], 'H' => [47614, 48118], 'J' => [48119, 49061],
        'K' => [49062, 49323], 'L' => [49324, 49895], 'M' => [49896, 50370],
        'N' => [50371, 50613], 'O' => [50614, 50621], 'P' => [50622, 50905],
        'Q' => [50906, 51386], 'R' => [51387, 51445], 'S' => [51446, 52217],
        'T' => [52218, 52697], 'W' => [52698, 52979], 'X' => [52980, 53688],
        'Y' => [53689, 54480], 'Z' => [54481, 55289],
        // I、U、V 在 GB2312 無漢字區間
    ];

    // 轉換編碼
    $gbStr = @iconv('UTF-8', $charset . '//IGNORE', $str);
    if ($gbStr === false) return '';

    $len = strlen($gbStr);
    $result = '';
    $i = 0;

    while ($i < $len) {
        $byte = ord($gbStr[$i]);
        
        if ($byte < 0x80) {
            // ASCII 字元(英文、數字、符號)
            $result .= strtoupper($gbStr[$i]);
            $i++;
        } else {
            // 可能是雙位元組漢字(GB2312 高位元組 0xA1-0xFE)
            if ($i + 1 < $len) {
                $high = $byte;
                $low = ord($gbStr[$i + 1]);
                $code = ($high << 8) | $low; // 合併為 16 位整數
                
                $letter = '*';
                foreach ($pinyinRanges as $ltr => $range) {
                    if ($code >= $range[0] && $code <= $range[1]) {
                        $letter = $ltr;
                        break;
                    }
                }
                $result .= $letter;
                $i += 2;
            } else {
                // 殘缺位元組
                $result .= '*';
                $i++;
            }
        }
    }

    return $result;
}

// ==================== 測試與示範 ====================
header('Content-Type: text/plain; charset=utf-8');

$testCases = [
    '北京市' => 'BJ',
    '上海' => 'SH',
    '廣州市天河區' => 'GZTHQ',
    'Hello World' => 'HELLO WORLD',
    'PHP 8.1' => 'PHP 8.1',
    '測試 Test 123' => 'CS TEST 123',
    'αβγ' => '***', // 希臘字母不在 GB2312 範圍
];

echo "=== 首字母提取測試 ===\n";
foreach ($testCases as $input => $expected) {
    $output = getFirstLetters($input);
    $status = $output === $expected ? '✅' : '❌';
    echo "$status 輸入: $input\n";
    echo "     輸出: $output (預期: $expected)\n\n";
}

// 批量處理示範:城市列表排序
$cities = ['重慶', '北京', '上海', '天津', '石家莊', '太原', '呼和浩特'];
usort($cities, fn($a, $b) => strcmp(getFirstLetters($a), getFirstLetters($b)));
echo "=== 城市按首字母排序 ===\n";
print_r($cities);
/* 輸出:
Array
(
    [0] => 北京
    [1] => 重慶
    [2] => 上海
    [3] => 石家莊
    [4] => 天津
    [5] => 太原
    [6] => 呼和浩特
)
對應首字母: B, C, S, S, T, T, H
*/
?>

進階方案對比

方案優點缺點適用場景
本文 GB2312 區間表零依賴、部署簡單、效能極高不支援繁體字、生僻字、多音字;需 GB2312 編碼支援簡單項目、內網系統、字元集可控環境
Composer 包 overtrue/pinyin支援多音字、繁體、分詞、多種輸出格式需 Composer、體積較大、依賴詞典文件現代 Laravel/Symfony 專案、高準確度需求
PHP 擴展 pinyin (PECL)C 層實現、效能最強需編譯安裝、維護成本高、版本兼容性風險高併發、極致效能要求場景
第三方 API(百度/騰訊/阿里雲)準確度最高、持續更新、支援姓名/地址專項優化網絡延遲、配額限制、隱私合規、成本用戶可見的核心功能(如註冊姓名拼音)

常見問題 FAQ

Q: 為什麼用 GB2312 而非 UTF-8 區間表?
A: GB2312 漢字區天然按拼音序排列,區間連續,查表極簡單。UTF-8 編碼無此規律,需龐大映射表。
Q: 遇到「iconv(): Detected an illegal character」報錯?
A: 加上 `//IGNORE` 標誌或預先過濾非法字元:`$str = preg_replace('/[^\x00-\x7F\u4e00-\u9fff]/u', '', $str);`
Q: 如何支援「劉行」這類多音字正確首字母(X 而非 H)?
A: 純區間表法無法解決多音字。需引入詞典庫(如 overtrue/pinyin)並啟用多音字模式,或維護自定義例外詞表覆蓋。
Q: 生產環境無 iconv 擴展怎麼辦?
A: 可用 `mb_convert_encoding($str, 'GB2312', 'UTF-8')` 替代,需安裝 `mbstring` 擴展(通常預裝)。

總結

本文提供的 `getFirstLetters()` 函數以約 50 行代碼實現了中英文混合字串首字母提取,零依賴、高效能、易部署,適合中小型專案快速集成。對於準確度要求極高、涉及人名/地址專業場景的系統,建議升級使用成熟的 Composer 包或雲端 API 服務。

copyright © 萬盛學電腦網 all rights reserved