简单入门PHP中的多字节字符串操作

简单入门PHP中的多字节字符串操作

什么是多字节的字符串操作呢？其实不少的同学可能都已经使用过了，但我们还是要从最基础的问题说起。

一个字符占几个字节并不是我们表面上看到的那样。正常情况下，一个数字或英文以及英文符号都是占用一个字节的。但是这个世界的语言文字何其之多，特别是像中文、日文这样的文字，往往用一个字节装不下，这时候就需要多字节来解决了（多字节一般第一个字节是前导字节表示当前是什么语言文字，后面的是正被的字节编码）。比如说一个中文字在 GBK 环境是占用两个字节，而在 UTF-8 下则是占用三个字节。而在最近几年，由于 emoji 表情的出现 UTF-8MB4 又成为了主流，在表示这些 emoji 表情字符的时候，往往又会使用 UTF-8MB4 这种占用四个字节的编码格式来表示。

虽说字节的不同设置能够帮助我们展示丰富的内容，但对它的一些操作却也带来了麻烦。

字符串操作

$str = "abc测试一下";
echo strlen($str), PHP_EOL; // 15


strlen() 函数大家都不陌生，但是对于中文来说，它返回的数量明显是不对的。我们当前默认的编码格式是 UTF-8 ，所以将一个中文当做三个英文字符来数就正好是 15 个字符长度。很明显，这不是我们想要的结果，假设我们要截取字符串的话，这个长度的计算可是很费劲的，搞不好还容易出现乱码。

幸好在 PHP 的默认扩展中就已经为我们准备好了一组 mb_ 函数库，专门用来处理这类多字节字符串的问题。

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


在不指定 mb_strlen() 函数的第二个参数的情况下，会按照当前文档的默认编码格式来进行转换，所以我们的字符串长度就在 UTF-8 的环境下正常显示了。当然，我们也可以指定第二个参数为其它的编码格式，比如以前常用的 GB2312 或者 GBK ，这样返回的字符长度就是以一个中文占两个字节的形式返回长度了。

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

var_dump(mb_convert_case($str, MB_CASE_UPPER)); // string(15) "ABC测试一下"
var_dump(mb_convert_case($str, MB_CASE_LOWER)); // string(15) "abc测试一下"

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


当然，mb_ 相关的字符串操作函数是比较全面的，字符出现位置、大小写转换、截取字符串等函数都是提供的，调用的参数也都和普通的字符串操作函数没什么区别，只是它们多了一个可选的指定编码的参数。在通常的情况下，只要我们的文件是对应的编码格式，这个参数就不用去写了。

当然，字符串的操作函数还有很多，这里就不一一列举了，大家可以自行查阅相关的文档。

字符串正则操作

既然说到了字符串的操作，正则相关的功能也是必不可少的，我们先看下使用默认的 preg_ 相关的函数操作中文的问题。

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

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


首先我们将测试用的字符串转换为 GB2312 的形式。就像我们获取的外部接口可能返回的就是 GB2312 的编码的。这时直接使用 preg_ 相关的函数是无法正确获得我们想要的结果的。

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

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


接下来我们通过 mb_ereg 相关的函数来进行正则的匹配和替换，就能正常的对不同编码的字符串进行操作了。注意，我们需要指定 mb_regex_encoding() 函数，告诉当前默认的规划替换编码是 GB2312 ，同时，正则规则也要转换成对应的编码格式。

mb_eregi 相关的函数和 mb_ereg 其实没有本质上的区别，只是它不区分大小写了，就像 preg 相关函数中我们写正则时的后缀符号 i 一样。ereg 相关的函数都是不用写反斜杠的，在普通的函数中其实是已经被淘汰了的函数（性能没有 preg 好，语法也有区别），大部分情况下都会直接使用 preg 相关的函数来进行操作。不过如果是牵涉到多字节相关的问题，在 mb_ 函数库中还是只有 ereg 这类的函数可以使用。

字符串编码转换

就像我们之前学习过的 iconv() 函数一样，mb_ 库中也提供了字符编码转换的函数。

$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:'云南',
//     catName:'中国移动',
//     telString:'13888888888',
//  areaVid:'30515',
//  ispVid:'3236139',
//  carrier:'云南移动'
// }
// "

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


同样我们还是拿这个获取手机号信息的公共接口测试，它返回的内容是 GBK 的编码内容。我们可以通过 mb_convert_encoding() 来转换它的编码内容。mb_detect_encoding() 是检测编码格式，这里我们给了两个参数，它会返回符合条件的编码内容，CP936 就是 GBK 的另一种表示（IBM在制作 code page 时将 GBK 编码放在了第 936 页）。

HTTP 参数操作

mb_internal_encoding("UTF-8");


首先介绍一个 mb_internal_encoding() 函数，其实就是设置当前运行环境中的默认编码规则的，如果不设置的话，就是以当前这个 php 文件的编码规则为默认的。大家了解一下，因为它会影响我们后面介绍的内容。

// // 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
// )


首先我们运行起来测试文件，然后用浏览器请求这个链接地址。mb_http_input() 是检测 HTTP 输入字符编码，不过我测试的结果都是返回 false 。有了解的小伙伴可以留言说明下这个是什么情况。而 mb_http_output 则是设置检测输出的编码，这个就会受到 mb_internal_encoding() 所定义的内容的影响。

另外，mb_parse_str() 是 parse_str() 函数的多字节版，我们可以将浏览器的默认编码转换成 GBK 或者 之后再来请求，因为我们设置当前的 mb_internal_encoding() 为 CP936 了。在默认情况下，如果使用 UTF-8 的浏览器请求的话，这里就会报错了，这就是 mb_internal_encoding() 对这些函数的影响。

其它属性查看

最后，我们再来看看一些 mb_ 相关信息属性的内容。

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


mb_language() 函数用于获取/设置当前的语言，它可以接收一个参数设置当前的语言信息。主要用于编码邮件信息 mb_send_mail() 函数就是使用它来对邮件进行编码。关于 mb_send_mail() 的使用大家可以自己尝试一下，其实也是 send_mail() 函数的多字节版。neutral 的意思是中立的，其实也是跟我们的 mb_internal_encoding() 有关。

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() 用于展示当前系统中所支持的所有语言编码的列表，在这个列表中我们就可以看到 CP936 的身影，但是没有 GBK 哦，记住它们俩是一个东西就好了。

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() 是查看当前环境下默认的这些语言编码的配置，比如我们熟悉的 internal_encoding 、 http_output 属性都能在这里看到。

总结

用过的同学是不是也发现了今天文章的新姿势了呢？没错，GBK 和 CP936 反而成为了今天文章的意外惊喜。这个在之前确实还真没有注意到。其实 mb_ 相关的函数的使用已经非常普遍了，基本算是学习 PHP 的入门必备知识了。它还有很多的函数并没有一一地列举出来，有兴趣的同学可以多多查阅官方手册进行更加深入地学习。

测试代码：

[https://github.com/zhangyue0503/dev-blog/blob/master/php/202011/source/10.简单入门PHP中的多字节字符串操作.php][https://github.com/zhangyue0503/dev-blog/blob/master/php/202011/source/10.简单入门PHP中的多字节字符串操作.php]

参考文档：

https://www.php.net/manual/zh/book.mbstring.php