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 截取中文字串完整指南:mb_substr、正則、字元編碼、避免亂碼

核心問題

中文字串在 UTF-8 編碼下每字佔 **3 位元組**,GBK/Big5 佔 **2 位元組**。使用 substr() 按位元組截取會導致「半個中文字」截斷,產生亂碼 () 或截斷字元。正確做法必須按**字元**而非位元組計算。

方案一:mb_substr (標準、推薦、PHP 內建)

<?php
// 確保 mbstring 擴充已啟用
mb_internal_encoding('UTF-8'); // 設定預設編碼

$str = "你好世界,Hello World!";

// 截取前 6 個字元
echo mb_substr($str, 0, 6, 'UTF-8'); // 你好世界

// 從第 3 個字元開始取 4 個
echo mb_substr($str, 3, 4, 'UTF-8'); // 界,Hel

// 負數起始:從倒數第 4 個字元開始
echo mb_substr($str, -4, 4, 'UTF-8'); // World!

// 省略長度:從開始到結尾
echo mb_substr($str, 10, null, 'UTF-8'); // Hello World!

方案二:mb_strimwidth (自動加省略號、按寬度截取)

<?php
// mb_strimwidth(string $string, int $start, int $width, string $trimMarker = "", string $encoding = mb_internal_encoding()): string
// $width 為「顯示寬度」:ASCII=1,中文/全形=2

$str = "這是一段測試文字 Hello World";

// 寬度 20 (約 10 個中文或 20 個英文)
echo mb_strimwidth($str, 0, 20, '...', 'UTF-8'); 
// 輸出: 這是一段測試文...

// 對比 mb_substr (按字元數)
echo mb_substr($str, 0, 10, 'UTF-8') . '...'; 
// 輸出: 這是一段測試文字 H... (10 字元含英文)

適用:列表頁標題、摘要、固定寬度排版。**注意**:寬度計算中文=2、英文=1,非字元數。

方案三:正則表達式匹配 UTF-8 字元 (無 mbstring 環境)

<?php
function utf8Substr($str, $start, $length = null)
{
    // 匹配合法 UTF-8 字元序列 (1-4 位元組)
    $pattern = '/[\x00-\x7F]|[\xC0-\xDF][\x80-\xBF]|[\xE0-\xEF][\x80-\xBF]{2}|[\xF0-\xF7][\x80-\xBF]{3}/';
    
    preg_match_all($pattern, $str, $matches);
    $chars = $matches[0];
    
    if ($length === null) {
        $slice = array_slice($chars, $start);
    } else {
        $slice = array_slice($chars, $start, $length);
    }
    
    return implode('', $slice);
}

// 測試
$str = "測試中文 English 😀";
echo utf8Substr($str, 0, 5); // 測試中文 E
echo utf8Substr($str, 3);    // 文 English 😀

方案四:Grapheme 函數 (PHP intl 擴充,處理複合字元)

<?php
// 需安裝 intl 擴充: pecl install intl
// 處理「使用者感知字元」: 如 "e\u0301" (é 組合字元)、旗幟 Emoji 🇹🇼 (兩碼位)、膚色修飾符

$str = "e\u0301"; // é (e + 重音符)
echo "mb_strlen: " . mb_strlen($str, 'UTF-8') . "\n"; // 2 (兩個碼位)
echo "grapheme_strlen: " . grapheme_strlen($str) . "\n"; // 1 (一個視覺字元)

$emoji = "👨‍👩‍👧‍👦"; // 家庭 Emoji (ZWJ 序列)
echo "mb_strlen: " . mb_strlen($emoji, 'UTF-8') . "\n"; // 7 (多個碼位)
echo "grapheme_strlen: " . grapheme_strlen($emoji) . "\n"; // 1

// 截取
echo grapheme_substr($emoji, 0, 1); // 👨‍👩‍👧‍👦 (完整保留)
echo mb_substr($emoji, 0, 3, 'UTF-8'); // 👨‍ (截斷,顯示異常)

方案五:通用工具類 (整合多種策略)

<?php
class Str
{
    /**
     * 智慧型截取
     * @param string $string 原始字串
     * @param int $length 最大長度 (字元數)
     * @param string $suffix 省略符號
     * @param string $encoding 編碼
     * @param bool $byWidth 是否按顯示寬度 (中文=2, 英文=1)
     */
    public static function truncate(
        string $string,
        int $length,
        string $suffix = '...',
        string $encoding = 'UTF-8',
        bool $byWidth = false
    ): string {
        if ($byWidth) {
            return mb_strimwidth($string, 0, $length, $suffix, $encoding);
        }
        
        if (mb_strlen($string, $encoding) <= $length) {
            return $string;
        }
        
        return mb_substr($string, 0, $length, $encoding) . $suffix;
    }
    
    /**
     * 截取並保證不斷詞 (依空格/標點)
     */
    public static function truncateWords(string $string, int $maxWords, string $suffix = '...'): string
    {
        $words = preg_split('/\s+/u', $string, -1, PREG_SPLIT_NO_EMPTY);
        if (count($words) <= $maxWords) return $string;
        return implode(' ', array_slice($words, 0, $maxWords)) . $suffix;
    }
    
    /**
     * 移除 Emoji (可選)
     */
    public static function removeEmoji(string $string): string
    {
        return preg_replace('/[\xF0-\xF7][\x80-\xBF]{3}/', '', $string);
    }
}

// 使用
$text = "這是一個很長的標題內容,包含英文 English 和 Emoji 😀😁";
echo Str::truncate($text, 15);           // 這是一個很長的標題內容,包含英...
echo Str::truncate($text, 30, '...', 'UTF-8', true); // 按寬度 30
echo Str::truncateWords($text, 8);       // 這是一個很長的標題內容,包含英文...

編碼轉換與檢測

<?php
// 檢測字串編碼
$encoding = mb_detect_encoding($str, ['UTF-8', 'GBK', 'BIG5', 'ASCII'], true);

// 轉換編碼 (如舊系統 GBK 轉 UTF-8)
$utf8Str = mb_convert_encoding($gbkStr, 'UTF-8', 'GBK');

// 確保資料庫連線編碼一致
// PDO: charset=utf8mb4
// mysqli: $mysqli->set_charset('utf8mb4');

常見陷阱總結

錯誤做法問題正確做法
substr($str, 0, 10)UTF-8 中文斷碼mb_substr($str, 0, 10, 'UTF-8')
strlen($str) 判斷長度回傳位元組數非字元數mb_strlen($str, 'UTF-8')
未指定 encoding 參數依賴 mb_internal_encoding,跨環境不一致明確傳遞 'UTF-8'
直接操作含 Emoji 字串mb_* 視為多字元,grapheme_* 視為單字元視需求選擇:顯示用 grapheme,儲存用 mb
strpos/strrpos 找中文位置回傳位元組位移,非字元索引mb_strpos/mb_strrpos

結語

處理中文字串截取,**首選 mb_substr** 搭配明確編碼參數。需要固定顯示寬度用 mb_strimwidth,處理複合字元/Emoji 用 grapheme_* (需 intl)。封裝通用工具類統一專案風格,並建立編碼檢測與轉換機制,從源頭杜絕亂碼。

copyright © 萬盛學電腦網 all rights reserved