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 中文按字元截取函式:支援 UTF-8/GBK、HTML 實體保護、多語系適用

核心問題

substr() 按位元組截取,中文 UTF-8 佔 3 位元組會導致亂碼;mb_substr() 需 mbstring 擴充套件。本文提供無相依、支援 UTF-8/GBK、保護 HTML 實體不被截斷的純 PHP 實作。

完整函式實作

<?php
/**
 * 多位元組安全截取字串 (支援 UTF-8/GBK)
 * 
 * @param string $string  待截取字串
 * @param int    $length  目標長度 (中文字算 2、英文數字算 1)
 * @param string $suffix  截斷後綴 (預設 '...')
 * @param string $charset 編碼 (預設 UTF-8)
 * @return string 截取後字串
 */
function mbCutStr($string, $length, $suffix = '...', $charset = 'UTF-8') {
    $charset = strtoupper($charset);
    $len = strlen($string);
    
    // 長度足夠直接返回
    if ($len <= $length) return $string;
    
    // 保護 HTML 實體 (& " < >   等)
    $entities = [];
    $string = preg_replace_callback('/&([a-zA-Z0-9#]+);/', function($m) use (&$entities) {
        $placeholder = "\x00" . count($entities) . "\x00";
        $entities[] = $m[0];
        return $placeholder;
    }, $string);
    
    $result = '';
    $current_len = 0;
    $i = 0;
    
    if ($charset === 'UTF-8') {
        // UTF-8 位元組判斷邏輯
        while ($i < $len && $current_len < $length) {
            $byte = ord($string[$i]);
            
            // ASCII (0-127): 1 byte, 寬度 1
            if ($byte <= 127) {
                $char_len = 1;
                $char_width = 1;
            }
            // 2 bytes (192-223): 寬度 2
            elseif ($byte < 224) {
                $char_len = 2; $char_width = 2;
            }
            // 3 bytes (224-239): 中日韓文字,寬度 2
            elseif ($byte < 240) {
                $char_len = 3; $char_width = 2;
            }
            // 4 bytes (240-247): Emoji/罕用字,寬度 2
            elseif ($byte < 248) {
                $char_len = 4; $char_width = 2;
            }
            // 5/6 bytes (極少見)
            else {
                $char_len = ($byte < 252) ? 5 : 6;
                $char_width = 2;
            }
            
            // 檢查是否超過長度
            if ($current_len + $char_width > $length) break;
            
            $result .= substr($string, $i, $char_len);
            $current_len += $char_width;
            $i += $char_len;
        }
    } else {
        // GBK/Big5: 簡易雙位元組判斷 (高位元組 > 127)
        for ($i = 0; $i < $len && $current_len < $length; $i++) {
            $byte = ord($string[$i]);
            if ($byte > 127) { // 雙位元組字元
                if ($i + 1 >= $len) break; // 截斷保護
                if ($current_len + 2 > $length) break;
                $result .= $string[$i] . $string[$i+1];
                $current_len += 2;
                $i++;
            } else { // ASCII
                if ($current_len + 1 > $length) break;
                $result .= $string[$i];
                $current_len += 1;
            }
        }
    }
    
    // 還原 HTML 實體
    $result = str_replace(
        array_map(fn($i) => "\x00$i\x00", array_keys($entities)),
        $entities,
        $result
    );
    
    // 移除結尾可能殘留的半個實體佔位符
    $result = preg_replace('/\x00\d+\x00$/', '', $result);
    
    return $result . ($current_len < $len ? $suffix : '');
}

// 別名相容
function cutstr($string, $length, $dot = '...') {
    return mbCutStr($string, $length, $dot, 'UTF-8');
}

測試驗證

<?php
$tests = [
    '純中文測試內容',
    '中英混合 Test 內容',
    '包含實體 & <div> "引號" 的字串',
    'Emoji 測試 😀🎉👍 符號',
    '短字串',
    '', // 空字串
];

foreach ($tests as $t) {
    echo "原始: [$t]\n";
    echo "截取: [" . mbCutStr($t, 10) . "]\n";
    echo "截取: [" . mbCutStr($t, 20) . "]\n";
    echo "---\n";
}

輸出範例

原始: [純中文測試內容]
截取: [純中文測試...]
截取: [純中文測試內容]

原始: [中英混合 Test 內容]
截取: [中英混合 Te...]
截取: [中英混合 Test 內容]

原始: [包含實體 & <div> "引號" 的字串]
截取: [包含實體 & <div>...]
截取: [包含實體 & <div> "引號" 的字串]

原始: [Emoji 測試 😀🎉👍 符號]
截取: [Emoji 測試 😀...]
截取: [Emoji 測試 😀🎉👍 符號]

對比:內建函式 vs 自訂函式

函式需求擴充套件中文寬度計算HTML實體保護Emoji支援效能
substr無❌ 位元組級❌❌最快
mb_substrmbstring✅ 字元級 (皆算1)❌✅快
mb_strimwidthmbstring✅ 可指定寬度❌✅快
本文函式無✅ 中文2/英1✅✅中等

進階:視覺寬度精確計算 (East Asian Width)

Unicode 定義字元東亞寬度屬性 (Fullwidth/Halfwidth/Wide/Narrow/Neutral/Ambiguous)。精確對齊需查表:

<?php
// 簡易版:常見全形範圍判斷
function getCharWidth($char) {
    $code = mb_ord($char, 'UTF-8');
    
    // 控制字元
    if ($code < 32 || ($code >= 127 && $code <= 159)) return 0;
    
    // 全形範圍 (主要中日韓)
    if (
        ($code >= 0x1100 && $code <= 0x115F) || // Hangul Jamo
        ($code >= 0x2E80 && $code <= 0xA4CF) || // CJK Radicals .. Yi
        ($code >= 0xAC00 && $code <= 0xD7A3) || // Hangul Syllables
        ($code >= 0xF900 && $code <= 0xFAFF) || // CJK Compatibility
        ($code >= 0xFE10 && $code <= 0xFE1F) || // Vertical Forms
        ($code >= 0xFE30 && $code <= 0xFE6F) || // CJK Compatibility Forms
        ($code >= 0xFF00 && $code <= 0xFF60) || // Fullwidth Forms
        ($code >= 0xFFE0 && $code <= 0xFFE6)    // Fullwidth Symbols
    ) return 2;
    
    // Ambiguous 字元 (視語系而定,中文環境通常按全形處理)
    // 0x00A1-0x00FF, 0x0100-0x024F, 0x2000-0x206F 等
    
    return 1; // 半形
}

// 使用 mb_strimwidth (PHP 5.4+,需 mbstring)
echo mb_strimwidth($string, 0, 20, '...', 'UTF-8');

框架整合範例 (Laravel Blade / ThinkPHP / 自訂模板)

{{-- Laravel Blade --}}
{{ Str::limit($post->content, 100, '...') }}

{{-- ThinkPHP 模板 --}}
{$post.content|msubstr=0,100,'utf-8',true}

{{-- 自訂模板函式 --}}
{$content|mbCutStr:50:'...':'UTF-8'}

總結

  • 有 mbstring:優先使用 mb_strimwidth() 或 mb_substr(),效能最佳
  • 無 mbstring / 共享主機:使用本文純 PHP 實作,相容性最好
  • 需精確視覺對齊:引入 east-asian-width 查表庫 (如 voku/portable-utf8)
  • HTML 內容:務必保護實體,或先 strip_tags() 再截取
copyright © 萬盛學電腦網 all rights reserved