PHP 精準計算中英混合字符串長度：從 strlen 到 grapheme_cluster 的最佳實踐

核心痛點：字節 ≠ 字符

strlen() 返回字節數，mb_strlen() 返回編碼感知的字符數，但兩者在「用戶感知字符」（用戶可見字符單元）層面均有盲區：

表情符號序列、組合字符、零寬連接符（ZWJ）導致「代碼點數」≠「字素簇數」。表單驗證、截斷展示、數據庫字段長度檢查必須基於 字素簇。

方案演進：從正則到 Intl 扩展

階段一：正則分割碼點（不準確）

// 僅能分割碼點，無法處理組合字符/ZWJ 序列
preg_match_all('/./u', $str, $m);
$len = count($m[0]);

上文提到的 preg_match_all('/./us', $str, $m) 中的 s 修飾符僅影響 . 匹配換行，對字素簇無效。

階段二：編碼轉換兼容 GBK/UTF-8（治標不治本）

$tmp = @iconv('GBK', 'UTF-8', $str);
if ($tmp !== false) $str = $tmp;
preg_match_all('/./u', $str, $m);
$len = count($m[0]);

解決了編碼檢測問題，但仍按碼點計數，表情符號計數錯誤。

階段三：mb_strlen + 正則修正（折中方案）

// 扣除組合字符、ZWJ 等非獨立字符
$len = mb_strlen($str, 'UTF-8');
$len -= preg_match_all('/[\x{0300}-\x{036F}\x{200D}\x{FE0F}]/u', $str);

維護成本高，Unicode 版本更新需同步調整範圍。

階段四：Intl 扩展 grapheme_strlen —— 現代標準答案

PHP 7.0+ 核心內建 intl 扩展（基於 ICU 庫），提供 Unicode 字素簇分割算法（UAX #29）實現：

// 直接返回用戶可見字符數
$len = grapheme_strlen($str);

優勢：

• 標準化：遵循 Unicode Consortium 規範，自動跟隨 ICU 版本更新
• 高效：C 級實現，無正則開銷
• 完整：正確處理表情符號序列、組合字符、控制字符、零寬字符
• 配套函數：grapheme_substr()、grapheme_strpos()、grapheme_stripos()、grapheme_extract()

完整工具函數：兼容舊版本、多編碼、優雅降級

/**
 * 獲取字符串的用戶可見字符數（字素簇計數）
 * @param string $str 輸入字符串
 * @param string|null $encoding 輸入編碼，null 自動檢測
 * @return int
 */
function grapheme_len(string $str, ?string $encoding = null): int {
    // 1. 統一轉 UTF-8
    if ($encoding !== null) {
        $str = mb_convert_encoding($str, 'UTF-8', $encoding);
    } elseif (!mb_check_encoding($str, 'UTF-8')) {
        // 嘗試常見編碼
        $enc = mb_detect_encoding($str, ['GBK', 'GB2312', 'BIG5', 'UTF-8'], true);
        if ($enc) $str = mb_convert_encoding($str, 'UTF-8', $enc);
    }

    // 2. 優先使用 grapheme_strlen (PHP 7.0+ & intl)
    if (function_exists('grapheme_strlen')) {
        return grapheme_strlen($str);
    }

    // 3. 降級：mb_strlen + 組合字符修正 (PHP 5.6+)
    $len = mb_strlen($str, 'UTF-8');
    // 扣除常見組合字符範圍：Combining Diacritical Marks, ZWJ, Variation Selector-16
    $len -= (int)preg_match_all('/[\x{0300}-\x{036F}\x{1AB0}-\x{1AFF}\x{1DC0}-\x{1DFF}\x{20D0}-\x{20FF}\x{FE00}-\x{FE0F}\x{E0100}-\x{E01EF}]/u', $str);
    return max(0, $len);
}

// 測試
$tests = [
    'Hello世界' => 7,
    '👨‍👩‍👧‍👦' => 1,
    'e\u{0301}' => 1,           // e + 組合鋭音符
    '🏳️‍🌈' => 1,              // 旗幟 + VS16 + 彩虹
    '張三丰' => 3,
];
foreach ($tests as $str => $expect) {
    $got = grapheme_len($str);
    echo "[$got/$expect] " . json_encode($str) . "\n";
}

表單驗證實戰：長度區間檢查

function validate_length(string $input, int $min, int $max, string $field): array {
    $len = grapheme_len($input);
    if ($len < $min || $len > $max) {
        return [
            'valid' => false,
            'message' => "{$field} 長度需在 {$min}~{$max} 字符之間（當前 {$len} 字符）",
        ];
    }
    return ['valid' => true];
}

// 使用示例
$rules = [
    'username' => ['min'=>2, 'max'=>20],
    'bio'      => ['min'=>0, 'max'=>160],
];
foreach ($rules as $field => $rule) {
    $res = validate_length($_POST[$field] ?? '', $rule['min'], $rule['max'], $field);
    if (!$res['valid']) $errors[$field] = $res['message'];
}

數據庫字段長度對齊策略

關鍵原則：應用層驗證用 grapheme_len()，數據庫字段定義按「最大字符數」設置 VARCHAR(n)，啟用 utf8mb4 字符集。切勿在 DB 層用 CHAR 或按字節限制長度，會導致多字節字符截斷亂碼。

性能與緩存考量

• grapheme_strlen() 為 C 函數調用，單次耗時 < 1μs（百萬字符級字符串除外），無需緩存。
• 高頻驗證場景（如即時輸入檢查）可在前端同步實現（Intl.Segmenter 或 grapheme-splitter 庫），後端僅做二次校驗。
• 批量處理大文本時，考慮 grapheme_extract($str, $max, GRAPHEME_EXTR_COUNT) 分塊截取，避免一次性分配巨大數組。

字符串長度計算看似簡單，實則觸及 Unicode 深層規範。PHP 開發者應摒棄 strlen/mb_strlen 直覺，擁抱 grapheme_strlen 這一現代標準答案。若環境受限無 intl 扩展，請升級 PHP 或啟用扩展——這是 2024 年專業 PHP 專案的基礎設施標配。