substr() 按位元組截取,中文編碼下會將多位元組字元切斷,產生亂碼。正確做法需按字元 (Code Point / Grapheme Cluster) 計算長度並截取。
mb_substr (推薦)<?php
/**
* 多位元組安全截取
* @param string $str 字串
* @param int $length 字元長度 (非位元組)
* @param string $encoding 編碼,預設 UTF-8
* @param string $suffix 超長時尾碼
* @return string
*/
function mbTruncate(string $str, int $length, string $encoding = 'UTF-8', string $suffix = '...'): string
{
if (mb_strlen($str, $encoding) <= $length) {
return $str;
}
return mb_substr($str, 0, $length, $encoding) . $suffix;
}
// 使用
$str = "242432反對感是456犯得上廣泛大使館地方7890";
echo mbTruncate($str, 20); // 242432反對感是456犯得上廣泛大使館...
?>
<?php
function utf8Truncate(string $str, int $length, string $suffix = '...'): string
{
$len = strlen($str);
if ($len <= $length) return $str; // 位元組長度已小於等於目標字元數,直接返回 (ASCII 情況)
$result = '';
$charCount = 0;
$i = 0;
while ($i < $len && $charCount < $length) {
$byte = ord($str[$i]);
// UTF-8 位元組序列判斷
if ($byte < 0x80) { // 0xxxxxxx (ASCII, 1 byte)
$charLen = 1;
} elseif (($byte & 0xE0) === 0xC0) { // 110xxxxx (2 bytes)
$charLen = 2;
} elseif (($byte & 0xF0) === 0xE0) { // 1110xxxx (3 bytes, 常見中日韓)
$charLen = 3;
} elseif (($byte & 0xF8) === 0xF0) { // 11110xxx (4 bytes, Emoji/補充平面)
$charLen = 4;
} else {
// 非法位元組序列,跳過單一位元組避免死循環
$charLen = 1;
}
// 邊界檢查
if ($i + $charLen > $len) break; // 截斷的多位元組序列,捨棄
$result .= substr($str, $i, $charLen);
$i += $charLen;
$charCount++;
}
return ($charCount < mb_strlen($str, 'UTF-8')) ? $result . $suffix : $result;
}
?>
<?php
// 需安裝 intl 擴充 (PHP 內建)
function graphemeTruncate(string $str, int $length, string $suffix = '...'): string
{
$clusters = grapheme_strlen($str);
if ($clusters <= $length) return $str;
return grapheme_substr($str, 0, $length) . $suffix;
}
// 測試:家庭 Emoji 👨👩👧👦 = 1 個 grapheme cluster (實際 4 code points + 3 ZWJ)
$str = "Hello 👨👩👧👦 World";
echo graphemeTruncate($str, 8); // Hello 👨👩👧👦 (視覺上 8 個字元)
?>
<?php
function smartTruncate(string $str, int $length, string $suffix = '...'): string
{
// 1. 嘗試偵測編碼
$encoding = mb_detect_encoding($str, ['UTF-8', 'GBK', 'BIG5', 'ASCII'], true);
if (!$encoding) $encoding = 'UTF-8'; // 預設
// 2. 統一內部轉為 UTF-8 處理
$utf8Str = ($encoding !== 'UTF-8') ? mb_convert_encoding($str, 'UTF-8', $encoding) : $str;
// 3. 截取
$truncated = mbTruncate($utf8Str, $length, 'UTF-8', $suffix);
// 4. 轉回原編碼 (若必要)
return ($encoding !== 'UTF-8') ? mb_convert_encoding($truncated, $encoding, 'UTF-8') : $truncated;
}
?>
| 函數 | 耗時 (秒) | 備註 |
|---|---|---|
mb_substr | ~0.45 | C 層實作,最快 |
grapheme_substr | ~0.62 | ICU 庫,正確處理組合字元 |
| 純 PHP UTF-8 解析 | ~2.8 | 無 mbstring 時備選 |
原文 cnSubStr (逐字元 ord 判斷) | ~3.5 | 僅支援雙位元組編碼 (GBK/Big5),不支援 UTF-8 3/4 位元組 |
「中文截取」本質是「多位元組字元邊界感知截取」。現代 PHP 專案務必啟用 mbstring 並設定 mbstring.internal_encoding = UTF-8,直接使用 mb_substr/mb_strlen 即可解決 99% 場景。涉及 Emoji、組合字元 (如泰文、韓文、ZWJ 序列) 時,請升級使用 grapheme_* 函數。棄用舊式逐位元組判斷邏輯,它不支援 UTF-8 且效能低落。