PHP 处理中文字符串：长度计算与安全截取函数实现

结果或目标

实现无需依赖 mbstring 扩展的中文字符串功能，具体包括：
- 准确统计包含中英文混合字符串的长度。
- 按字符数而非字节数安全截取中文字符串，避免产生半个汉字导致的乱码。
- 兼容 UTF-8、GB2312、GBK 及 Big5 等多种主流中文编码格式。

准备条件

• 运行环境：PHP 7.0 或以上版本（示例代码基于通用语法，兼容性好）。
• 编码规范：建议统一使用 UTF-8 编码保存文件及输出页面，设置 Header 为 header('Content-type:text/html;charset=utf-8');。
• 备选方案认知：若服务器允许，优先检查 php.ini 是否开启了 extension=mbstring，这是最稳妥的方案。

真实操作顺序

第1步：实现自适应长度的中文统计函数

目的：解决无法使用 mb_strlen 时，对中文字符串长度计算不准确的问题。

入口：定义全局函数 abslength。

动作：

1. 检查是否存在 mb_strlen 函数。若存在，直接调用它并指定 'utf-8' 编码，保证兼容性。
2. 若不存在，使用正则 /./u 对字符串进行全局匹配。该正则利用 Unicode 模式 u，能正确识别 UTF-8 编码下的多字节字符（包括中文）。
3. 统计匹配数组的数量作为长度返回。

/**
 * 可以统计中文字符串长度的函数
 * @param $str 要计算长度的字符串
 * @param $type 计算长度类型，0(默认)表示一个中文算一个字符，1表示一个中文算两个字符
 */
function abslength($str)
{
    if(empty($str)){
        return 0;
    }
    if(function_exists('mb_strlen')){
        return mb_strlen($str,'utf-8');
    } else {
        preg_match_all("/./u", $str, $ar);
        return count($ar[0]);
    }
}

// 测试用例
$str = '我们都是中国人啊，ye！';
$len = abslength($str); // 返回 12

第2步：实现安全的中文截取函数 (UTF-8 专用)

目的：在不使用 mb_substr 的情况下，防止截取到中文汉字的中间字节导致乱码。

入口：定义函数 utf8_substr。

动作：

1. 优先检测 mb_substr 可用性，若有则直接代理调用。
2. 若无可用扩展，使用正则 /./u 将字符串拆分为字符数组。
3. 使用 array_slice 提取指定起始位置 $start 和长度 $end 的子数组。
4. 使用 join('', ...) 将数组重新拼接为字符串返回。

/**
 * utf-8编码下截取中文字符串,参数可以参照substr函数
 * @param $str 要进行截取的字符串
 * @param $start 要进行截取的开始位置，负数为反向截取
 * @param $end 要进行截取的长度
 */
function utf8_substr($str,$start=0) {
    if(empty($str)){
        return false;
    }
    if (function_exists('mb_substr')){
        if(func_num_args() >= 3) {
            $end = func_get_arg(2);
            return mb_substr($str,$start,$end,'utf-8');
        } else {
            mb_internal_encoding("UTF-8");
            return mb_substr($str,$start);
        }
    } else {
        $null = "";
        preg_match_all("/./u", $str, $ar);
        if(func_num_args() >= 3) {
            $end = func_get_arg(2);
            return join($null, array_slice($ar[0],$start,$end));
        } else {
            return join($null, array_slice($ar[0],$start));
        }
    }
}

// 测试用例
$str2 = 'wo要截取zhongwen';
echo utf8_substr($str2,0,-4); // 输出: wo要截取zhon

第3步：实现支持多编码的通用中文截取函数

目的：适配老旧系统或不同数据源，支持 GB2312、GBK、Big5 等非 UTF-8 编码的中文截取，并自动追加省略号以防截断。

入口：定义方法 csubstr（可作为类方法或普通函数使用）。

关键参数：

• $charset: 指定编码，如 'utf-8', 'gbk'。
• $suffix: 布尔值，决定是否在末尾添加 …。

核心逻辑：

1. 定义针对不同编码的正则表达式模式，确保每个正则能精准匹配该编码下的完整字符（包括单字节 ASCII 和多字节中文）。
2. 若启用 mb_substr，直接利用其强大的多字节处理能力。
3. 若未启用，使用 preg_match_all 结合对应编码的正则提取所有字符至数组。
4. 对数组进行切片操作，获取目标片段。
5. 若 $suffix 为真，拼接省略号后返回。

/*
 * 中文截取，支持gb2312,gbk,utf-8,big5
 *
 * @param string $str 要截取的字串
 * @param int $start 截取起始位置
 * @param int $length 截取长度
 * @param string $charset utf-8|gb2312|gbk|big5 编码
 * @param bool $suffix 是否加尾缀
 */
function csubstr($str, $start=0, $length, $charset="utf-8", $suffix=true) 
{
    if(function_exists("mb_substr")) 
    {
        if(mb_strlen($str, $charset) <= $length) return $str;
        $slice = mb_substr($str, $start, $length, $charset);
    } 
    else 
    {
        $re['utf-8']      = "/[\x01-\x7f]|[\xc2-\xdf][\x80-\xbf]|[\xe0-\xef][\x80-\xbf]{2}|[\xf0-\xff][\x80-\xbf]{3}/";
        $re['gb2312']     = "/[\x01-\x7f]|[\xb0-\xf7][\xa0-\xfe]/";
        $re['gbk']        = "/[\x01-\x7f]|[\x81-\xfe][\x40-\xfe]/";
        $re['big5']       = "/[\x01-\x7f]|[\x81-\xfe]([\x40-\x7e]|\xa1-\xfe])/";
        
        preg_match_all($re[$charset], $str, $match);
        if(count($match[0]) <= $length) return $str;
        $slice = join("",array_slice($match[0], $start, $length));
    }
    
    if($suffix) return $slice."…";
    return $slice;
}

完成判断

通过上述代码部署后，可在 PHP 环境中验证以下状态：
1. var_dump(abslength('测试')) 应正确返回 2。
2. utf8_substr('中文测试', 0, 2) 应输出 '中文' 而非乱码字符。
3. csubstr('这是一段很长的中文内容', 0, 5, 'utf-8') 应输出 '这是一段长…'。

简要总结

在处理中文文本时，避免直接使用原生 substr 是导致乱码的主要原因。利用正则表达式拆解字符或使用内置的多字节函数库，是保障数据完整性的关键。对于生产环境，强烈建议配置好 mbstring 扩展以获取最佳性能和稳定性；对于受限环境，上述提供的正则方案是可靠且高效的替代选择。

以上就是 PHP 中计算中文字符串长度及截取中文字符串的详细内容，更多关于 PHP 字符串处理技巧的资料请关注本站其它相关文章！