PHP实现多编码中文字符串安全截取：兼容mb_substr与正则方案

为什么普通截取会导致乱码？

中文通常是多字节字符（如 UTF-8 占 3 字节，GBK 占 2 字节）。如果使用普通的字符串截取函数强行按字节数截断，往往会在一个汉字的中间将其切断，导致剩余的字节无法构成有效的字符，从而输出乱码或损坏数据。

核心解决方案逻辑

本代码片段采用两层防护机制：

1. 首选路径：检测是否存在 mb_substr 函数。这是最标准、性能最好的方式，需开启 PHP 的 mbstring 扩展。
2. 备用路径：当不支持 mb_substr 时，利用正则表达式精确匹配各编码体系下的合法字符，避免切断多字节序列。

第一步：定义多编码正则规则

针对不同编码格式，预先定义合法的字节序列模式。这些正则确保了只匹配完整的字符：

• UTF-8：识别单字节 ASCII 及 2~4 字节的 Unicode 区段。
• GBK/GB2312：识别双字节组合区间。
• Big5：识别台湾地区常用繁体字的双字节范围。

$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])/";

第二步：执行安全截取

整合正则匹配与数组切片，确保返回的字符串始终由完整的字符组成：

/**
 * 支持多种编码的中文字符串截取函数
 *
 * @param string $str      要截取的字串
 * @param int    $start    截取起始位置（以字符为单位）
 * @param int    $length   截取长度（以字符为单位）
 * @param string $charset  utf-8|gb2312|gbk|big5 编码
 * @param bool   $suffix   是否添加省略号尾缀
 */
function csubstr($str, $start=0, $length, $charset="utf-8", $suffix=true) {
    // 优先使用原生多字节函数
    if(function_exists("mb_substr")) {
        return mb_substr($str, $start, $length, $charset);
    }

    // 获取对应编码的正则表达式
    global $re;
    
    // 使用 preg_match_all 将所有完整字符提取出来
    preg_match_all($re[$charset], $str, $match);
    
    // 截取指定长度的字符单元
    $slice = join("", array_slice($match[0], $start, $length));
    
    // 如果设置了尾部追加符，建议手动添加省略号
    if($suffix) return $slice."…";
    
    return $slice;
}

使用示例与注意事项

在调用时，务必确保传入的 $charset 参数与原始字符串的实际编码一致。例如，若页面是 GBK 编码，必须显式指定 'gbk'，否则即使使用了通用函数，依然可能出现匹配错误导致的乱码。

此外，由于备用正则方案需要进行全量匹配，对于超长文本（如数千字的文章列表摘要），其性能低于 mb_substr。因此，在生产环境中，强烈建议安装并启用 PHP 的 mbstring 扩展库。

总结

上述关于 PHP 兼容多编码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！