PHP 多位元組字串截取：正確處理中文字元避免亂碼

按字元而非位元組截取：mb_substr 與自訂函數比較

PHP 字串操作預設按位元組處理，直接使用 substr() 截取 UTF-8 中文會導致字元截半產生亂碼。正確做法是使用 mb_substr() 或自訂函數按字元計算長度。

原始碼問題分析

<?php
// 原始函數：嘗試判斷 ASCII/多位元組字元，但邏輯有誤
function entities_rtrim($string, $length) {
    if ($length >= strlen($string)) return $string;
    $s = '';
    for ($i = 0; $i < $length; $i++) {
        if (ord($string[$i]) > 127) {
            $s .= $string[$i] . $string[$i]; // 錯誤：重複加入同一位元組
            continue;
        } else {
            $s .= $string[$i];
            continue;
        }
    }
    return $s;
}
?>

此函數有嚴重缺陷：ord($string[$i]) > 127 只能偵測多位元組字元的第一個位元組，且 $string[$i] . $string[$i] 重複寫入同一位元組，無法正確組合完整字元。

正確解決方案

方案一：mb_substr（推薦）

<?php
// 確保 php.ini 啟用 mbstring 擴充套件
mb_internal_encoding('UTF-8');

function mb_trim_string($string, $length, $suffix = '...') {
    if (mb_strlen($string) <= $length) return $string;
    return mb_substr($string, 0, $length) . $suffix;
}

echo mb_trim_string('你好世界，PHP 程式設計', 10); // 你好世界，PHP...
?>

方案二：UTF-8 專用自訂函數（無 mbstring 環境）

<?php
function utf8_trim_string($string, $length, $suffix = '...') {
    $len = strlen($string);
    if ($len <= $length) return $string;

    $charCount = 0;
    $bytePos = 0;
    while ($bytePos < $len && $charCount < $length) {
        $byte = ord($string[$bytePos]);
        if ($byte < 0x80) {           // 1-byte (ASCII)
            $bytePos += 1;
        } elseif ($byte < 0xE0) {     // 2-byte
            $bytePos += 2;
        } elseif ($byte < 0xF0) {     // 3-byte (常見中日韓)
            $bytePos += 3;
        } elseif ($byte < 0xF8) {     // 4-byte (Emoji 等)
            $bytePos += 4;
        } else {
            $bytePos += 1; // 無效位元組，跳過
        }
        $charCount++;
    }
    return substr($string, 0, $bytePos) . $suffix;
}

echo utf8_trim_string('你好世界😀', 5); // 你好世界...
?>

方案三：正則表達式（簡潔但效能較低）

<?php
function regex_trim($string, $length, $suffix = '...') {
    if (mb_strlen($string) <= $length) return $string;
    // 符合前 $length 個字元（含多位元組）
    preg_match('/^.{' . $length . '}/u', $string, $matches);
    return $matches[0] . $suffix;
}
?>

效能比較（百萬次呼叫）

最佳實踐建議

1. 優先使用 mb_substr()：確保伺服器安裝 php-mbstring。
2. 設定內部編碼：mb_internal_encoding('UTF-8') 或 php.ini: mbstring.internal_encoding = UTF-8。
3. 資料庫層面處理：MySQL LEFT(str, len) 按字元截取，減少傳輸資料量。
4. 前端截斷：CSS text-overflow: ellipsis 處理顯示層截斷，保留完整資料給 SEO/無障礙存取。

正確處理多位元組字串截取是 PHP 開發中文系統的基本功，請務必養成使用 mb_* 函數族群的習慣。