PHP中多位元組字串操作範例詳解

2021-08-22 16:00:16

前言

什麼是多位元組的字串操作呢？其實不少的同學可能都已經使用過了，但我們還是要從最基礎的問題說起。

一個字元佔幾個位元組並不是我們表面上看到的那樣。正常情況下，一個數位或英文以及英文符號都是佔用一個位元組的。但是這個世界的語言文字何其之多，特別是像中文、日文這樣的文字，往往用一個位元組裝不下，這時候就需要多位元組來解決了（多位元組一般第一個位元組是前導位元組表示當前是什麼語言文字，後面的是正被的位元組編碼）。比如說一箇中文字在 GBK 環境是佔用兩個位元組，而在 UTF-8 下則是佔用三個位元組。而在最近幾年，由於 emoji 表情的出現 UTF-8MB4 又成為了主流，在表示這些 emoji 表情字元的時候，往往又會使用 UTF-8MB4 這種佔用四個位元組的編碼格式來表示。

雖說位元組的不同設定能夠幫助我們展示豐富的內容，但對它的一些操作卻也帶來了麻煩。

字串操作

$str = "abc測試一下";
echo strlen($str), PHP_EOL; // 15

strlen() 函數大家都不陌生，但是對於中文來說，它返回的數量明顯是不對的。我們當前預設的編碼格式是 UTF-8 ，所以將一箇中文當做三個英文字元來數就正好是 15 個字元長度。很明顯，這不是我們想要的結果，假設我們要擷取字串的話，這個長度的計算可是很費勁的，搞不好還容易出現亂碼。

幸好在 PHP 的預設擴充套件中就已經為我們準備好了一組 mb_ 函數庫，專門用來處理這類多位元組字串的問題。

echo mb_strlen($str), PHP_EOL; // 7
echo mb_strlen($str, 'GB2312'), PHP_EOL; // 11

在不指定 mb_strlen() 函數的第二個引數的情況下，會按照當前檔案的預設編碼格式來進行轉換，所以我們的字串長度就在 UTF-8 的環境下正常顯示了。當然，我們也可以指定第二個引數為其它的編碼格式，比如以前常用的 GB2312 或者 GBK ，這樣返回的字元長度就是以一箇中文佔兩個位元組的形式返回長度了。

var_dump(mb_strpos($str, "測")); // int(3)

var_dump(mb_convert_case($str, MB_CASE_UPPER)); // string(15) "ABC測試一下"
var_dump(mb_convert_case($str, MB_CASE_LOWER)); // string(15) "abc測試一下"

var_dump(mb_substr($str, 5)); // string(6) "一下"

當然，mb_ 相關的字串操作函數是比較全面的，字元出現位置、大小寫轉換、擷取字串等函數都是提供的，呼叫的引數也都和普通的字串操作函數沒什麼區別，只是它們多了一個可選的指定編碼的引數。在通常的情況下，只要我們的檔案是對應的編碼格式，這個引數就不用去寫了。

當然，字串的操作函數還有很多，這裡就不一一列舉了，大家可以自行查閱相關的檔案。

字串正則操作

既然說到了字串的操作，正則相關的功能也是必不可少的，我們先看下使用預設的 preg_ 相關的函數操作中文的問題。

$str = iconv('UTF-8', 'GB2312', $str);

var_dump(preg_match("/[a-z]*測試/i", $str)); // int(0)
var_dump(preg_replace("/[a-z]*測試/i","試試", $str)); // string(11) "abc����һ��"

首先我們將測試用的字串轉換為 GB2312 的形式。就像我們獲取的外部介面可能返回的就是 GB2312 的編碼的。這時直接使用 preg_ 相關的函數是無法正確獲得我們想要的結果的。

mb_regex_encoding('GB2312');
$pattern = iconv('UTF-8', 'GB2312', "[a-z]*測試");
var_dump(mb_ereg($pattern, $str)); // int(1)
var_dump(mb_eregi($pattern, $str)); // int(1)

var_dump(mb_ereg_replace($pattern,"試試", $str)); // string(10) "試試һ��"
var_dump(mb_eregi_replace($pattern,"試試", $str)); // string(10) "試試һ��"

接下來我們通過 mb_ereg 相關的函數來進行正則的匹配和替換，就能正常的對不同編碼的字串進行操作了。注意，我們需要指定 mb_regex_encoding() 函數，告訴當前預設的規劃替換編碼是 GB2312 ，同時，正則規則也要轉換成對應的編碼格式。

mb_eregi 相關的函數和 mb_ereg 其實沒有本質上的區別，只是它不區分大小寫了，就像 preg 相關函數中我們寫正則時的字尾符號 i 一樣。ereg 相關的函數都是不用寫反斜槓的，在普通的函數中其實是已經被淘汰了的函數（效能沒有 preg 好，語法也有區別），大部分情況下都會直接使用 preg 相關的函數來進行操作。不過如果是牽涉到多位元組相關的問題，在 mb_ 函數庫中還是隻有 ereg 這類的函數可以使用。

字串編碼轉換

就像我們之前學習過的 iconv() 函數一樣，mb_ 庫中也提供了字元編碼轉換的函數。

$phone = file_get_contents('https://tcc.taobao.com/cc/json/mobile_tel_segment.htm?tel=13888888888');

print_r($phone);
// __GetZoneResult_ = {
//     mts:'1388888',
//     province:'����',
//     catName:'�й��ƶ�',
//     telString:'13888888888',
// 	areaVid:'30515',
// 	ispVid:'3236139',
// 	carrier:'�����ƶ�'
// }

var_dump(mb_convert_encoding($phone, 'UTF-8', "GBK"));
// string(183) "__GetZoneResult_ = {
//     mts:'1388888',
//     province:'雲南',
//     catName:'中國移動',
//     telString:'13888888888',
// 	areaVid:'30515',
// 	ispVid:'3236139',
// 	carrier:'雲南移動'
// }
// "

echo mb_detect_encoding($phone, 'UTF-8,GBK'), PHP_EOL; // CP936

同樣我們還是拿這個獲取手機號資訊的公共介面測試，它返回的內容是 GBK 的編碼內容。我們可以通過 mb_convert_encoding() 來轉換它的編碼內容。mb_detect_encoding() 是檢測編碼格式，這裡我們給了兩個引數，它會返回符合條件的編碼內容，CP936 就是 GBK 的另一種表示（IBM在製作 code page 時將 GBK 編碼放在了第 936 頁）。

HTTP 引數操作

mb_internal_encoding("UTF-8");

首先介紹一個 mb_internal_encoding() 函數，其實就是設定當前執行環境中的預設編碼規則的，如果不設定的話，就是以當前這個 php 檔案的編碼規則為預設的。大家瞭解一下，因為它會影響我們後面介紹的內容。

// // localhost:9991/?a=我上
var_dump(mb_http_input('GPC')); // bool(false)
var_dump(mb_http_output()); // string(5) "UTF-8"

mb_internal_encoding("CP936");
mb_parse_str($_SERVER['QUERY_STRING'], $result);
print_r($result);
// Array
// (
//     [a] => 我上
// )

首先我們執行起來測試檔案，然後用瀏覽器請求這個連結地址。mb_http_input() 是檢測 HTTP 輸入字元編碼，不過我測試的結果都是返回 false 。有了解的小夥伴可以留言說明下這個是什麼情況。而 mb_http_output 則是設定檢測輸出的編碼，這個就會受到 mb_internal_encoding() 所定義的內容的影響。

另外，mb_parse_str() 是 parse_str() 函數的多位元組版，我們可以將瀏覽器的預設編碼轉換成 GBK 或者之後再來請求，因為我們設定當前的 mb_internal_encoding() 為 CP936 了。在預設情況下，如果使用 UTF-8 的瀏覽器請求的話，這裡就會報錯了，這就是 mb_internal_encoding() 對這些函數的影響。

其它屬性檢視

最後，我們再來看看一些 mb_ 相關資訊屬性的內容。

var_dump(mb_language());
// string(7) "neutral"

mb_language() 函數用於獲取/設定當前的語言，它可以接收一個引數設定當前的語言資訊。主要用於編碼郵件資訊 mb_send_mail() 函數就是使用它來對郵件進行編碼。關於 mb_send_mail() 的使用大家可以自己嘗試一下，其實也是 send_mail() 函數的多位元組版。neutral 的意思是中立的，其實也是跟我們的 mb_internal_encoding() 有關。

var_dump(mb_list_encodings());
// array(86) {
//     [0]=>
//     string(4) "pass"
//     [1]=>
//     string(5) "wchar"
//     [2]=>
//     string(7) "byte2be"
//     [3]=>
//     ……
//     [65]=>
//     string(5) "CP936"
//     ……

mb_list_encodings() 用於展示當前系統中所支援的所有語言編碼的列表，在這個列表中我們就可以看到 CP936 的身影，但是沒有 GBK 哦，記住它們倆是一個東西就好了。

var_dump(mb_get_info());
// array(14) {
//     ["internal_encoding"]=>
//     string(5) "UTF-8"
//     ["http_output"]=>
//     string(5) "UTF-8"
//     ["http_output_conv_mimetypes"]=>
//     string(31) "^(text/|application/xhtml+xml)"
//     ["func_overload"]=>
//     int(0)
//     ["func_overload_list"]=>
//     string(11) "no overload"
//     ["mail_charset"]=>
//     string(5) "UTF-8"
//     ["mail_header_encoding"]=>
//     string(6) "BASE64"
//     ["mail_body_encoding"]=>
//     string(6) "BASE64"
//     ["illegal_chars"]=>
//     int(0)
//     ["encoding_translation"]=>
//     string(3) "Off"
//     ["language"]=>
//     string(7) "neutral"
//     ["detect_order"]=>
//     array(2) {
//       [0]=>
//       string(5) "ASCII"
//       [1]=>
//       string(5) "UTF-8"
//     }
//     ["substitute_character"]=>
//     int(63)
//     ["strict_detection"]=>
//     string(3) "Off"
//   }

mb_get_info() 是檢視當前環境下預設的這些語言編碼的設定，比如我們熟悉的 internal_encoding 、 http_output 屬性都能在這裡看到。

總結

用過的同學是不是也發現了今天文章的新姿勢了呢？沒錯，GBK 和 CP936 反而成為了今天文章的意外驚喜。這個在之前確實還真沒有注意到。其實 mb_ 相關的函數的使用已經非常普遍了，基本算是學習 PHP 的入門必備知識了。它還有很多的函數並沒有一一地列舉出來，有興趣的同學可以多多查閱官方手冊進行更加深入地學習。

測試程式碼：

[github.com/zhangyue050…]

參考檔案：

www.php.net/manual/zh/b…

到此這篇關於PHP中多位元組字串操作的文章就介紹到這了,更多相關PHP多位元組字串操作內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！