PHP汉字截取函数：UTF-8与GB2312编码兼容

"PHP 截取字符串专题集合" 在PHP中，截取字符串是一项常见的操作，尤其是在处理用户输入、显示文本片段或格式化数据时。然而，由于不同的字符编码（如UTF-8和GB2312）的存在，简单地使用内置函数可能无法正确处理中文字符。这里我们将详细讨论如何编写一个兼容UTF-8和GB2312编码的汉字截取函数，并解释其工作原理。 首先，我们来看给定的PHP代码： ```php function cut_str($string, $sublen, $start=0, $code='UTF-8') { if ($code == 'UTF-8') { // 此部分用于处理UTF-8编码 $pa = "/[\x01-\x7f]|[\xc2-\xdf][\x80-\xbf]|\xe0[\xa0-\xbf][\x80-\xbf]|[\xe1-\xef][\x80-\xbf][\x80-\xbf]|\xf0[\x90-\xbf][\x80-\xbf][\x80-\xbf]|[\xf1-\xf7][\x80-\xbf][\x80-\xbf][\x80-\xbf]/"; preg_match_all($pa, $string, $t_string); if (count($t_string[0]) - $start > $sublen) return join('', array_slice($t_string[0], $start, $sublen))."…"; return join('', array_slice($t_string[0], $start, $sublen)); } else { // 此部分用于处理GB2312编码 $start = $start * 2; $sublen = $sublen * 2; $strlen = strlen($string); $tmpstr = ''; for ($i = 0; $i < $strlen; $i++) { if ($i >= $start && $i < ($start + $sublen)) { if (ord(substr($string, $i, 1)) > 129) { $tmpstr .= substr($string, $i, 2); } else { $tmpstr .= substr($string, $i, 1); } } if (ord(substr($string, $i, 1)) > 129) $i++; } if (strlen($tmpstr) < $strlen) $tmpstr .= "…"; return $tmpstr; } } ``` 这个函数`cut_str`接受四个参数：待截取的字符串`$string`，要截取的长度`$sublen`，起始位置`$start`，以及编码类型`$code`（默认为UTF-8）。函数首先检查字符串的编码，然后根据不同的编码进行处理。 对于UTF-8编码，它使用正则表达式`$pa`匹配UTF-8中的单字节和多字节字符。`preg_match_all`函数会找出所有匹配的字符，然后使用`array_slice`取出指定范围内的字符，最后拼接成新的字符串。如果截取的字符数超过`$sublen`，还会加上省略号"…"。 对于GB2312编码，由于GB2312中的中文字符是双字节的，所以`$start`和`$sublen`都要乘以2。函数通过遍历字符串，判断每个字符的ASCII值是否大于129来确定是否为中文字符，并进行截取。同样，如果截取的长度不足，也会添加省略号。 需要注意的是，此函数仅适用于纯UTF-8或GB2312编码的字符串。如果字符串中混合了多种编码，可能会导致错误。在实际应用中，最好先确保字符串的编码一致性，或者使用更复杂的库（如iconv或mbstring）来处理多编码环境。 此外，当处理多字节字符集（如UTF-8）时，应谨慎使用内置函数如`strlen`，因为它们通常只计算字节而不是字符数。在上面的函数中，当处理GB2312编码时，就使用了`strlen`来获取字符串的字节数，而在处理UTF-8时，则依赖正则表达式来计算字符数。 总结来说，这个PHP函数提供了一种灵活的方式来截取不同编码的字符串，尤其是在处理中文字符时能避免出现乱码问题。不过，它不适用于混合编码的字符串，且没有考虑其他编码格式，如GBK或BIG5。在实际项目中，可能需要进一步扩展这个函数，使其更加健壮和通用。