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 mb_substr 與 mb_strcut 多位元組字串截取完整比較

問題背景

PHP 內建 substr() 按**位元組**截取,對於 UTF-8 等多位元組編碼的中文、日文、韓文、Emoji 會導致「半個字元」截斷,產生亂碼。mb_substr() 與 mb_strcut() 為多位元組安全函數,但運作邏輯不同。

核心差異

函數單位行為適用場景
substr()位元組直接切位元組,中文常斷碼純 ASCII、二進位資料
mb_substr()**字元**按字元計數截取,完整保留字元**一般文字截取、摘要、顯示**
mb_strcut()位元組按位元組截取,但**不會切斷字元**,遇不完整字元自動捨棄固定位元組長度儲存/傳輸、二進位協議

實際演示

<?php
header('Content-Type: text/html; charset=utf-8');

$string = "你好我好大家好"; // 7 個中文字元,UTF-8 每字 3 位元組 = 21 位元組

echo "原始字串: $string\n";
echo "strlen (位元組長度): " . strlen($string) . "\n"; // 21
echo "mb_strlen (字元長度): " . mb_strlen($string, 'UTF-8') . "\n"; // 7

echo "\n--- mb_substr (按字元) ---\n";
// 取前 4 個字元
echo "mb_substr(\$string, 0, 4, 'UTF-8'): " . mb_substr($string, 0, 4, 'UTF-8') . "...\n";
// 輸出: 你好我好...

echo "\n--- mb_strcut (按位元組,不斷字) ---\n";
// 取前 4 個位元組 (1 個中文=3 bytes,第 4 byte 屬於第 2 字)
echo "mb_strcut(\$string, 0, 4, 'UTF-8'): " . mb_strcut($string, 0, 4, 'UTF-8') . "...\n";
// 輸出: 你... (第 2 字 '好' 需 3 bytes,只取到 1 byte 會斷碼,故自動捨棄整個字)

echo "\n--- 對比不同長度 ---\n";
for ($i = 1; $i <= 10; $i++) {
    echo "len=$i: mb_substr=" . mb_substr($string, 0, $i, 'UTF-8') 
       . " | mb_strcut=" . mb_strcut($string, 0, $i, 'UTF-8') . "\n";
}

/* 輸出:
len=1: mb_substr=你 | mb_strcut=
len=2: mb_substr=你 | mb_strcut=
len=3: mb_substr=你 | mb_strcut=你
len=4: mb_substr=你好 | mb_strcut=你
len=5: mb_substr=你好 | mb_strcut=你
len=6: mb_substr=你好 | mb_strcut=你好
len=7: mb_substr=你好我 | mb_strcut=你好
...
*/

函數完整簽名

// mb_substr
mb_substr(string $string, int $start, int $length = null, string $encoding = mb_internal_encoding()): string

// mb_strcut  
mb_strcut(string $string, int $start, int $length = null, string $encoding = mb_internal_encoding()): string

// 參數說明:
// $start: 起始位置 (字元索引或位元組索引),負值從結尾倒數
// $length: 長度 (字元數或位元組數),null/省略 = 到結尾
// $encoding: 字元編碼 (UTF-8, UTF-16, Big5, GBK 等),省略用 mb_internal_encoding()

常見應用場景

1. 文章摘要/列表截斷 (用 mb_substr)

<?php
function makeExcerpt($text, $length = 100, $suffix = '...')
{
    if (mb_strlen($text, 'UTF-8') <= $length) return $text;
    return mb_substr($text, 0, $length, 'UTF-8') . $suffix;
}

$article = "這是一篇很長的文章內容,包含中文、English、數字123和符號!@#";
echo makeExcerpt($article, 20); // 這是一篇很長的文章內容,包含中...

2. 固定位元組長度欄位截取 (用 mb_strcut)

<?php
// 某舊系統 API 要求欄位不超過 20 位元組
function truncateToBytes($str, $maxBytes, $encoding = 'UTF-8')
{
    if (strlen($str) <= $maxBytes) return $str;
    return mb_strcut($str, 0, $maxBytes, $encoding);
}

$data = "用戶名稱很長";
echo truncateToBytes($data, 20); // 按位元組截斷但不產生亂碼

3. 處理 Emoji (4 位元組 UTF-8)

<?php
$emojiStr = "PHP 😀😁😂 Rocks!";

echo "字元數: " . mb_strlen($emojiStr, 'UTF-8') . "\n"; // 13
echo "位元組數: " . strlen($emojiStr) . "\n"; // 13 + 3*4 = 25

echo "mb_substr 前 5 字: " . mb_substr($emojiStr, 0, 5, 'UTF-8') . "\n"; // PHP 😀
echo "mb_strcut 前 10 bytes: " . mb_strcut($emojiStr, 0, 10, 'UTF-8') . "\n"; // PHP 😀 (含完整 emoji)

啟用 mbstring 擴充

需在 php.ini 啟用:

; Windows
extension=php_mbstring.dll

; Linux/macOS
extension=mbstring.so

並建議設定內部編碼:

<?php
// 入口檔案最早期設定
mb_internal_encoding('UTF-8');
mb_http_output('UTF-8');
mb_regex_encoding('UTF-8');

效能考量

  • mb_substr 需掃描字元邊界,較 substr 慢 (約 3-5 倍)
  • 大量處理時,可考慮先 mb_check_encoding 確認編碼,或僅在必要時使用 mb_* 函數
  • PHP 8.1+ mb_substr 效能有顯著提升

總結

  • mb_substr:**首選**文字截取,按字元計數,語意直覺,適合顯示層
  • mb_strcut:特殊需求按位元組長度限制,但保證不產生殘缺字元
  • substr:僅用於純 ASCII、二進位資料、已知單位元組編碼
  • **永遠指定編碼參數** (或設定 mb_internal_encoding),避免預設值導致跨環境不一致
copyright © 萬盛學電腦網 all rights reserved