核心函数详解:从 substr 到 mb_substr 的演进
1. substr:字节级截取的“双刃剑”
substr 是 PHP 最基础的字符串截取函数,其定义为:
substr ( string $string , int $offset [, int $length ] ) : string
其本质是**按字节截取**,而非按字符。在 ASCII 环境下(英文、数字、基础符号),1 字节 = 1 字符,表现正常;但一旦涉及多字节编码(如 UTF-8 中文占 3 字节),问题即刻显现:
<?php
$s = "php 截取字符"; // 共 7 个汉字字符(“php”3字母 + 空格 + “截取字符”4汉字)
echo substr($s, 0, 6); // 输出:php 截 ← 实际截取了 6 字节(“php ”3字节 + “截”前2字节)
echo substr($s, 0, 7); // 输出:php 截取 ← 正好 7 字节(“php ”3 + “截”3 + “取”1字节?错!“取”是第4字节开始的3字节)
?>
观察输出结果:当截取长度为 6 字节时,最后的“截”字被截断为前 2 字节,形成非法 UTF-8 序列;当长度为 7 时,“截”字(3字节)+“取”字首字节 = 4 字节,仍不完整。此时浏览器会以 replacement character (U+FFFD) 替换,显示为“�”,影响阅读体验。
关键结论:substr 适用于纯 ASCII 字符串(如 ID、token、URL 路径),**严禁用于含多字节字符的业务场景**。若强行使用,需配合 mb_check_encoding 或 iconv 做补救,但成本高昂且易出错。
2. mb_substr:多字节安全截取的首选
PHP 的 MBString 扩展 提供了真正的字符级截取:
mb_substr ( string $string , int $start [, int $length = NULL [, string $encoding = mb_internal_encoding() ]] ) : string
关键特性:
- ✅ 按**字符**截取,非字节
- ✅ 支持指定编码(默认为
mb_internal_encoding(),通常为 UTF-8)
- ✅ 自动处理边界(如负偏移、超长截取)
示例验证:
<?php
$s = "php 截取字符";
echo mb_substr($s, 0, 6, 'UTF-8'); // 输出:php 截取 ← 正确截取前6个字符
echo mb_substr($s, 3, 4, 'UTF-8'); // 输出:截取字符 ← 从第4字符起截4个
echo mb_substr($s, -3, 2, 'UTF-8'); // 输出:字符 ← 支持负偏移(倒数第3字符起截2个)
?>
编码一致性至关重要:若未显式指定 $encoding,而 mb_internal_encoding 未设为 UTF-8(如设为 GBK),则仍会按 GBK 解码,导致中文乱码。建议在脚本入口统一设置:
mb_internal_encoding('UTF-8');
⚠️ 注意:当 $length 为负值时,表示从末尾省略该长度的字符(非字节),例如:
mb_substr("abcdef", 0, -2, 'UTF-8') → "abcd"
3. iconv_substr:libiconv 底层方案
若系统依赖 iconv 库(常用于编码转换),可使用:
iconv_substr ( string $str , int $offset [, int $length = NULL [, string $encoding = ini_get("iconv.internal_encoding") ]] ) : string
与 mb_substr 功能高度重叠,但性能略低(因需调用外部库)。优势在于与 iconv 系列函数(如 iconv、iconv_strlen)无缝协作,适合已有 iconv 生态的项目。
典型用法:
<?php
iconv_set_encoding("internal_encoding", "UTF-8");
$s = "php 截取字符";
echo iconv_substr($s, 0, 6, "UTF-8"); // 输出:php 截取
?>
注意:部分旧版 iconv 实现对 UTF-8 支持不稳定,建议优先使用 mb_substr。
4. mb_strcut:混合模式截取
该函数介于 substr 与 mb_substr 之间:
mb_strcut ( string $string , int $start [, int $length = NULL [, string $encoding = mb_internal_encoding() ]] ) : string
它按**字节流**截取,但确保截断点位于字符边界(即不会截断多字节字符的中间)。适用于需严格控制输出字节数(如数据库字段长度限制、网络传输包大小)但又要避免乱码的场景。
示例对比:
<?php
$s = "php截取字符"; // 无空格,共7字节(3+3+3+3+3+3+3?错!"php"3+6汉字×3=21字节)
echo mb_strcut($s, 0, 6, 'UTF-8'); // 输出:php ← 截取6字节,但“截”字需3字节,故仅输出前3字节的“php”
echo mb_strcut($s, 0, 7, 'UTF-8'); // 输出:php截 ← 7字节中:php(3)+截(3)+“取”首字节?不!因“截”是完整3字节,第7字节属“取”,但为保边界,仅截到“截”末尾→实际输出6字节?实测:输出“php截”(6字节)
?>
实测表明:mb_strcut 会向左回退至最近的字符边界。因此,若需精确控制字节数上限(如数据库 VARCHAR(255)),应预估编码长度,预留冗余空间,或改用 strlen(iconv('UTF-8', 'GBK//IGNORE', $s)) 在 GBK 下计算更精确(因 GBK 中文为 2 字节)。
高频陷阱:90% 开发者踩过的坑
陷阱 1:未校验字符串编码
当输入源编码未知时(如用户上传文件、第三方 API 返回),直接调用 mb_substr 可能出错。例如:一个 GBK 编码的字符串被当作 UTF-8 截取,结果全乱码。
解决方案:使用 mb_detect_encoding 检测编码,或统一转码:
<?php
function safe_substr($str, $start, $length, $encoding = 'UTF-8') {
$detected = mb_detect_encoding($str, ['UTF-8', 'GBK', 'GB2312'], true);
if ($detected && $detected !== $encoding) {
$str = mb_convert_encoding($str, $encoding, $detected);
}
return mb_substr($str, $start, $length, $encoding);
}
?>
⚠️ 注意:mb_detect_encoding 有误检可能(尤其短字符串),生产环境建议在输入层强制规范编码(如 HTTP 头 Content-Type: text/html; charset=UTF-8,数据库连接设 SET NAMES utf8mb4)。
陷阱 2:偏移量越界与空值处理
mb_substr 在偏移量超出范围时返回空字符串,而非报错。这可能导致逻辑错误(如误判为截取成功但内容为空):
<?php
$s = "abc";
echo mb_substr($s, 10, 2); // 输出:空字符串(非 false 或 null)
?>
最佳实践:截取前校验长度:
<?php
function safe_substr_checked($str, $start, $length, $encoding = 'UTF-8') {
$len = mb_strlen($str, $encoding);
if ($start < 0) $start = max(0, $len + $start);
if ($length === null || $length < 0) $length = $len - $start;
if ($start >= $len) return '';
$length = min($length, $len - $start);
return mb_substr($str, $start, $length, $encoding);
}
?>
陷阱 3:HTML 标签截断引发的 XSS
截取富文本内容时,若在标签中间截断(如 <img src=),会破坏 HTML 结构,导致后续内容被误渲染,甚至注入攻击。
解决方案:截取前先剥离标签,或使用 DOM 解析器处理:
<?php
$html = "php 截取字符
";
$plain = strip_tags($html);
$excerpt = mb_substr($plain, 0, 10, 'UTF-8'); // 安全截取纯文本
?>
更严谨的方式:使用 DOMDocument 提取文本节点,再截取:
<?php
function get_text_excerpt($html, $max_len, $encoding = 'UTF-8') {
$dom = new DOMDocument();
libxml_use_internal_errors(true);
$dom->loadHTML(''.$html);
$xpath = new DOMXPath($dom);
$texts = $xpath->query('//text()');
$text = '';
foreach ($texts as $node) {
$text .= $node->textContent;
}
return mb_substr($text, 0, $max_len, $encoding);
}
?>
编码处理:中文截取的终极难题
UTF-8 编码原理与截取逻辑
UTF-8 是变长编码:1 字节(ASCII)、2 字节(拉丁扩展)、3 字节(中文)、4 字节(Emoji、生僻字)。截取时必须识别每个字符的字节数边界。
PHP 的 mb_substr 内部通过状态机扫描字节序列,识别 UTF-8 边界。其算法逻辑可简化为:
- 计算偏移量
$start 对应的字节位置(需遍历前 $start 个字符)
- 从该字节位置起,累加字节数至
$length 个字符
- 若中途遇到不完整 UTF-8 序列,则截断到前一字符末尾
因此,mb_substr 的时间复杂度为 O(n),当字符串极长(如 1MB 文本)时,性能开销显著。
Emoji 与 4 字节字符的处理
Emoji(如 😊)在 UTF-8 中占 4 字节。若使用 substr 截取,极易截断为非法序列;mb_substr 则可正确处理,但需确保 PHP 支持 4 字节 UTF-8(PHP 7.0.13+ 默认支持)。
验证方式:
<?php
$s = "Hello 😊 World";
echo mb_substr($s, 6, 1, 'UTF-8'); // 输出:😊
echo mb_substr($s, 0, 7, 'UTF-8'); // 输出:Hello 😊
?>
⚠️ 注意:MySQL 5.5+ 需使用 utf8mb4 字符集存储 Emoji,否则插入时会被截断或报错。
GB2312/GBK 编码下的截取
虽 UTF-8 是主流,但部分老系统仍用 GBK。GB2312/GBK 中:英文 1 字节,中文 2 字节。此时 substr 可安全使用(因中文为偶数字节),但需确保:
substr($str, $start, $length * 2)(因需截取字符数 ×2 字节)
更推荐统一转 UTF-8 处理:
<?php
$gbk_str = iconv('UTF-8', 'GBK', 'php截取字符');
echo substr($gbk_str, 0, 6); // 正确:php截取(3英文+3汉字字节)
?>
但注意:若原始字符串含非法 GBK 序列,iconv 会失败,建议用 //IGNORE 忽略错误:
<?php
$gbk_str = iconv('UTF-8', 'GBK//IGNORE', $utf8_str);
?>
实战示例:构建健壮的截取组件
案例 1:新闻摘要生成
需求:从新闻正文截取 200 字作为摘要,末尾加“……”,保留完整句子(若可能)。
<?php
function generate_excerpt($content, $max_chars = 200, $encoding = 'UTF-8') {
$content = strip_tags($content); // 移除 HTML
$len = mb_strlen($content, $encoding);
if ($len <= $max_chars) return $content;
$excerpt = mb_substr($content, 0, $max_chars, $encoding);
// 尝试截断到最近句号/问号/感叹号
$last_punct = mb_strrpos($excerpt, '。', 0, $encoding);
if ($last_punct > $max_chars * 0.8) { // 避免过短截断
return mb_substr($excerpt, 0, $last_punct + 1, $encoding) . '……';
}
return $excerpt . '……';
}
// 测试
$news = "php 截取字符是开发中的基础技能。掌握它,能避免90%的乱码问题。";
echo generate_excerpt($news, 15);
// 输出:php 截取字符是开发中的基础技能……
?>
案例 2:评论内容截断(防 XSS)
需求:截取评论前 50 字,安全输出到 HTML。
<?php
function safe_comment_excerpt($comment, $max_len = 50) {
// 1. 转义 HTML 特殊字符
$comment = htmlspecialchars($comment, ENT_QUOTES, 'UTF-8');
// 2. 截取纯文本
return mb_substr($comment, 0, $max_len, 'UTF-8') . (mb_strlen($comment, 'UTF-8') > $max_len ? '...' : '');
}
?>
案例 3:性能优化:大文本分块处理
需求:处理 1MB 的日志文件,每次截取 10KB 用于实时监控。
<?php
function chunk_read($file_path, $chunk_size = 10240) {
$handle = fopen($file_path, 'r');
$buffer = '';
while (!feof($handle)) {
$buffer .= fread($handle, 8192); // 缓存读取
if (mb_strlen($buffer, 'UTF-8') >= $chunk_size) {
$chunk = mb_substr($buffer, 0, $chunk_size, 'UTF-8');
$buffer = mb_substr($buffer, $chunk_size, null, 'UTF-8');
yield $chunk;
}
}
if ($buffer !== '') yield $buffer;
fclose($handle);
}
// 使用
foreach (chunk_read('large.log') as $chunk) {
echo $chunk . PHP_EOL;
}
?>