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 UTF-8 中文字串截取函數:正確處理多位元組字元

核心問題

UTF-8 中**一個漢字佔 3 位元組** (BMP 平面)。直接用 `substr()` 按位元組截取會**切斷字元**,產生亂碼。

自訂函數:gbsubstr2 (UTF-8 版)

/**
 * UTF-8 安全截取
 * @param string $str  原始字串
 * @param int    $start 起始位元組偏移
 * @param int    $length 截取位元組長度
 * @return string 截取後字串
 */
function gbsubstr2($str, $start, $length) {
  $length = abs($length);
  $strLen = strlen($str);
  $end = $start + $length;
  $newStr = '';
  
  for ($i = $start; $i < $end && $i < $strLen; $i++) {
    // UTF-8 領頭位元組判斷:>= 0x80 為多位元組字元
    if (ord($str[$i]) > 0x80) {
      // 取 3 位元組 (BMP 字元)
      $newStr .= substr($str, $i, 3);
      $i += 2;       // 跳過後續 2 位元組
      $end += 2;     // 補償結束位置
    } else {
      $newStr .= $str[$i]; // ASCII 單位元組
    }
  }
  return $newStr;
}

現代最佳實踐:mb_substr (內建多位元組支援)

// 需啟用 mbstring 擴充 (PHP 核心內建)
$result = mb_substr($str, $start, $length, 'UTF-8');
  • **正確處理所有 Unicode 字元** (含 Emoji 4 位元組)
  • **效能優於自訂迴圈** (C 層實現)
  • **語意清晰**,無需重複造輪子

mbstring 必備設定

; php.ini
extension=mbstring
mbstring.internal_encoding = UTF-8
mbstring.http_input = UTF-8
mbstring.http_output = UTF-8
mbstring.language = Neutral

對比測試

$str = '測試中文字串ABC';

echo substr($str, 0, 6);       // 亂碼:切在「測」字中間
echo mb_substr($str, 0, 2);    // 正確:「測試」
echo gbsubstr2($str, 0, 6);    // 正確:「測試」 (6 位元組 = 2 個漢字)

常見陷阱

  • ❌ `strlen()` 回傳**位元組數**,非字元數 → 用 `mb_strlen()`
  • ❌ `strpos()` 回傳**位元組偏移** → 用 `mb_strpos()`
  • ❌ 正則預設按位元組 → 加 `u` 修飾符:`/pattern/u`
  • ❌ JSON 編碼未指定選項 → `json_encode($arr, JSON_UNESCAPED_UNICODE)`

總結

**棄用自訂位元組截取函數,全面改用 `mb_*` 系列函式**。確保 `php.ini` 啟用 `mbstring` 並設定內部編碼為 UTF-8,即可正確處理中文、Emoji 及所有 Unicode 字元。

copyright © 萬盛學電腦網 all rights reserved