10 四 2014

关于PHP utf-8文本截取乱码的原因与解决办法

一直以来的惯性思维，都认为英文和数字字符占用一个字节，汉字占用2个字节，实际上GBK（GB2312）确实是这样的，但是当我使用UTF-8编码的时候发现，utf-8汉字所占用的字节数是不一样的，utf-8编码可能会出现一个汉字占用1个-、2个、3个甚至可能更多的可能。 这样，我们在截取时，还按照2个字节一个汉字去截取必然会出现乱码。

查阅了一些资料，发现UTF8编码的字符，第一个字节ASCII值大于等于224的，其与之后的2个字节一起组成一个UTF8字符，第一个字节ASCII值大于192等于小于224的，其与之后的1个字节组成一个UTF-8字符，第一个字节ASCII值小于192的，其本身成为一个UTF8字符。

于是在PHP中，只用一个字，把字符的ASCII打印出来，第一个字节是225，第二个字节是193，第三个字节 184，于是截取的字符只截取了前2个，没有第三个字节，就会出现乱码了。
于是解决办法就很好处理了，

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

function subString($str,$start,$length){
    #61原创函数
    #$str被截取的文字
    #$start 开始位置
    #$length 截取长度、汉字个数，数字与英文也算一个字
    $spLen = strlen($str);  //取文本长度
    $start--;
    //遍历所有文字
    for($i=0;$i<$spLen;)
    {
	if (ord($str[$i])>=224){
	    $c = $str[$i].$str[$i+1].$str[$i+2];
	    $j=3;
	}elseif (ord($str[$i])>=192 && ord($str[$i])<224){
	    $c = $str[$i].$str[$i+1];
	    $j=2;
	}elseif (ord($str[$i])<192){
	    $c = $str[$i];
	    $j=1;
	}
	//输出
	if ($i>=$start && $i<=$length){
	    $str_ok.=$c;
	}
	$i=$i+$j;
    }
    return $str_ok;
}
by 卢逸 | Filed in PHP | No comments

发表评论