開發關鍵字高亮功能時,本地測試正常,上線卻出現大量亂碼甚至死循環。經排查,核心原因在於 PHP 核心(至 5.6 版本前)不原生支援多位元組字元,正則引擎將 UTF-8/GBK 中文字元視為獨立單位元組處理,導致模式匹配錯位。
preg_match_all('/[漢字]+/ism', '我是漢字,看你怎麼辦!', $m);
// 預期匹配「漢」、「字」、「漢字」
// 實際產生亂碼或死循環
原因:[漢字] 被視為 4 個獨立位元組(UTF-8 各 3 bytes,GBK 各 2 bytes),正則引擎嘗試匹配任意單一位元組,破壞中文字元邊界。
eregi_replace('性', '沒有', '有責任感');
// 預期無變化(字串無「性」)
// 實際輸出:用揮敘任感
原因:「責」字 GBK 編碼尾位元組恰為「性」字編碼首位元組,單位元組匹配導致跨字元替換。
preg_match_all('/漢字+/u', $str, $m); // 正確匹配完整詞
preg_replace('/漢字/u', '<mark>$0</mark>', $str); // 正確替換
前提:PHP 編譯需啟用 --enable-pcre 且 PCRE 庫支援 UTF-8;專案全站統一使用 UTF-8 編碼(資料庫、連線、頁面、腳本檔案)。
preg_match_all('/(漢|字)+/ism', $str, $m); // 將 [漢字] 改為 (漢|字)
此法在無 u 修飾符時可繞過單位元組匹配,但無法處理未知詞彙,僅適用於固定詞表。
mb_regex_encoding('UTF-8');
mb_ereg_replace('漢字', '<mark>\\0</mark>', $str);
需安裝 mbstring 擴充,效能略低於 PCRE,但語意清晰且編碼安全。
PHP 7 起核心字串處理全面支援 Unicode,PCRE 預設啟用 UTF-8 模式,配合 JIT 編譯,正則效能大幅提升,徹底解決歷史包袱。
utf8mb4、連線 SET NAMES utf8mb4、頁面 <meta charset="utf-8">、腳本檔案儲存為 UTF-8 無 BOM)。u 修飾符:/pattern/u。mb_strlen、mb_substr、mb_split。ereg、eregi、split 等已移除函數。utf8mb4)。中文正則問題本質是「單位元組引擎處理多位元組資料」的阻抗失配。徹底解決之道在於**統一編碼棧 + 使用 Unicode 感知的工具鏈**。現代 PHP(7.4+)已將此類坑洞填平,升級才是終極良方。