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 中英混雜字串截取:解決 substr 亂碼的多位元組安全方案

問題根源

substr() 按位元組截取,UTF-8 中文佔 3 位元組,英文 1 位元組。直接截取常導致中文字元被切半,產生亂碼(如「中」→ 「中」)。

原生解決方案:mb_substr() (需 mbstring 擴展)

<?php
$str = "Hello 世界";
echo mb_substr($str, 0, 6, 'UTF-8');  // Hello 世
echo mb_substr($str, 6, 2, 'UTF-8');  // 界
?>
  • 按字元而非位元組計數。
  • 支援多種編碼(UTF-8、Big5 等)。
  • PHP 8.0+ mbstring 為核心擴展,預設啟用。

無 mbstring 環境的相容方案

<?php
function mb_substr_fallback(string $str, int $start, int $length = null, string $encoding = 'UTF-8'): string {
    if (extension_loaded('mbstring')) {
        return mb_substr($str, $start, $length ?? mb_strlen($str), $encoding);
    }
    
    // 簡易 UTF-8 字元邊界偵測(僅支援 BMP 平面)
    $bytes = [];
    $len = strlen($str);
    for ($i = 0; $i < $len; ) {
        $byte = ord($str[$i]);
        if ($byte < 0x80) { $charLen = 1; }
        elseif (($byte & 0xE0) === 0xC0) { $charLen = 2; }
        elseif (($byte & 0xF0) === 0xE0) { $charLen = 3; }
        elseif (($byte & 0xF8) === 0xF0) { $charLen = 4; }
        else { $charLen = 1; }  // 無效序列視為單字元
        
        $bytes[] = substr($str, $i, $charLen);
        $i += $charLen;
    }
    
    return implode('', array_slice($bytes, $start, $length ?? count($bytes)));
}
?>

自訂截取函數:支援省略號與 HTML 安全

<?php
/**
 * 多位元組安全截取,支援 HTML 實體保護與省略號
 *
 * @param string $text      原始文字
 * @param int    $length    最大字元數
 * @param string $suffix    省略字尾 (預設 '...')
 * @param bool   $htmlAware 是否保護 HTML 標籤不被截斷
 * @return string
 */
function mb_truncate(string $text, int $length, string $suffix = '...', bool $htmlAware = false): string {
    if (mb_strlen($text) <= $length) {
        return $text;
    }
    
    if ($htmlAware) {
        // 簡易 HTML 標籤保護:移除標籤後計算長度,再對應回原字串位置
        // 完整方案建議使用 HTMLPurifier 或類似庫
        $text = strip_tags($text);
    }
    
    $truncated = mb_substr($text, 0, $length);
    // 避免截在組合字元中間(如注音符號),可加正規化
    return $truncated . $suffix;
}

// 使用
echo mb_truncate("這是一段很長的中文測試文字", 10);  // 這是一段很長的中...
echo mb_truncate("Hello World", 5);                  // Hello...
?>

進階:Grapeheme Cluster(書寫字素叢集)支援

Emoji、組合字元(如「é」= e + ´)視為單一顯示單位。PHP 8.1+ grapheme_substr() (intl 擴展) 正確處理:

<?php
$emoji = "👨‍👩‍👧‍👦 Family";  // 家庭 emoji = 多碼位組合
echo "mb_substr: " . mb_substr($emoji, 0, 1) . "\n";      // 可能只取到 👨
echo "grapheme_substr: " . grapheme_substr($emoji, 0, 1) . "\n";  // 完整 👨‍👩‍👧‍👦
?>

效能比較

函數編碼感知速度適用場景
substr否 (位元組)最快純 ASCII、二進位資料
mb_substr是中等一般多語系文字
grapheme_substr是 (書寫字素)較慢Emoji、複雜文字渲染

最佳實踐建議

  1. 專案統一使用 UTF-8,php.ini 設定 mbstring.internal_encoding = UTF-8。
  2. 所有字串長度、截取、比較操作預設用 mb_* 函數族。
  3. 截取輸出前端顯示時,加上省略號並提供「展開全文」功能。
  4. 資料庫欄位長度按字元數規劃而非位元組數(如 VARCHAR(255) 存 255 字元)。

掌握多位元組字串處理是 PHP 國際化開發的必修課,mb_substr() 是日常最實用的工具。

copyright © 萬盛學電腦網 all rights reserved