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 微博風格字串長度計算:UTF-8/GBK 中英混排、全半形字元精確計數

微博字數規則:中文/全形 = 2、英文/半形 = 1。PHP strlen() 回傳位元組數 (UTF-8 中文 3 字節),mb_strlen() 視所有字元為 1,皆不符合需求。本文提供精確計算函數 strlen_weibo(),支援 UTF-8/GBK,正確處理全半形、控制字元。

完整實作:strlen_weibo()

<?php
/**
 * 微博風格字串長度計算
 * 中文/全形 = 2,英文/半形/控制字元 = 1
 * @param string $string  待計算字串
 * @param string $charset 編碼:utf-8 或 gbk/gb2312
 * @return int 計算長度
 */
function strlen_weibo($string, $charset = 'utf-8') {
    $n = $count = 0;
    $length = strlen($string);
    
    if (strtolower($charset) === 'utf-8') {
        while ($n < $length) {
            $byte = ord($string[$n]);
            
            // ASCII 控制字元 (Tab, LF) + 可列印 ASCII (32-126) → 1
            if ($byte === 9 || $byte === 10 || (32 <= $byte && $byte <= 126)) {
                $n++; $count++;
            }
            // 2 字節 UTF-8 (194-223) → 2 (希臘、西里爾等)
            elseif (194 <= $byte && $byte <= 223) {
                $n += 2; $count += 2;
            }
            // 3 字節 UTF-8 (224-239) → 2 (中日韓統一表意文字)
            elseif (224 <= $byte && $byte <= 239) {
                $n += 3; $count += 2;
            }
            // 4 字節 UTF-8 (240-247) → 2 (Emoji、擴展區)
            elseif (240 <= $byte && $byte <= 247) {
                $n += 4; $count += 2;
            }
            // 5/6 字節 (理論值,實際極少用) → 2
            elseif (248 <= $byte && $byte <= 251) {
                $n += 5; $count += 2;
            }
            elseif ($byte === 252 || $byte === 253) {
                $n += 6; $count += 2;
            }
            // 非法位元組 → 視為 1
            else {
                $n++; $count++;
            }
            
            if ($count >= $length) break; // 防護
        }
        return $count;
    } else {
        // GBK/GB2312:高位元組 (>= 128) 視為雙位元組字元
        for ($i = 0; $i < $length; $i++) {
            if (ord($string[$i]) > 127) {
                $i++;      // 跳過第二字節
                $count++;  // 雙位元組字元計 2 (這裡邏輯:先+1,迴圈結尾再+1)
            }
            $count++;
        }
        return $count;
    }
}
?>

測試驗證

<?php
// UTF-8 測試
$tests = [
    's@@你好'      => 8,  // s(1) + 全形@(2) + 半形@(1) + 你(2) + 好(2)
    'Hello世界'     => 9,  // H e l l o (5) + 世(2) + 界(2)
    '😀Emoji'       => 7,  // Emoji 4字節(2) + E m o j i (5)
    '測試123'       => 8,  // 測(2) 試(2) 1 2 3 (3)
    'Full'      => 10, // 全形各 2
];

foreach ($tests as $str => $expected) {
    $actual = strlen_weibo($str, 'utf-8');
    echo "[$str] 期望:$expected 實際:$actual " . ($actual === $expected ? '✅' : '❌') . "\n";
}
?>

字元分類邏輯表 (UTF-8)

字元類別Unicode 範圍UTF-8 位元組首字節範圍計數
控制字元U+0000-U+001F, U+007F10-31, 1271
ASCII 可列印U+0020-U+007E132-1261
拉丁擴展等U+0080-U+07FF2194-2232
中日韓統一表意文字U+0800-U+FFFF3224-2392
Emoji/擴展區U+10000-U+10FFFF4240-2442
全形 ASCIIU+FF01-U+FF5E3239 (EF)2

GBK/GB2312 邏輯說明

  • 單字節 (0-127):ASCII → 計 1
  • 雙字節 (首字節 0x81-0xFE, 次字節 0x40-0xFE 除 0x7F):中文字/全形 → 計 2
  • 演算法:遇到高位元組 (>127) 跳過次字節,計數 +2 (迴圈機制實現)

應用場景:輸入長度限制

<?php
function validate_weibo_length($input, $maxLen = 140) {
    $len = strlen_weibo($input, 'utf-8');
    if ($len > $maxLen) {
        throw new Exception("內容超過 $maxLen 字 (當前 $len 字)");
    }
    return true;
}

// 截取至指定微博長度
function mb_substr_weibo($str, $maxLen, $charset = 'utf-8') {
    // 簡易版:逐字檢查累計長度 (效能較低,長字串建議優化)
    $result = '';
    $currentLen = 0;
    $len = mb_strlen($str, $charset);
    for ($i = 0; $i < $len; $i++) {
        $char = mb_substr($str, $i, 1, $charset);
        $charLen = strlen_weibo($char, $charset);
        if ($currentLen + $charLen > $maxLen) break;
        $result .= $char;
        $currentLen += $charLen;
    }
    return $result;
}
?>

現代替代方案

PHP 7.3+ 可使用 grapheme_strlen() (需 intl 擴充) 計算使用者感知字元數 (Grapheme Cluster),但仍無法直接對應微博「中文=2」規則。本函數仍為符合特定業務規則的最佳實作。

strlen_weibo() 精確實現微博字數規則,解決 UTF-8/GBK 混合環境下的字元計數難題,是社交類應用輸入驗證的核心工具函數。

copyright © 萬盛學電腦網 all rights reserved