PHP 中文處理：解決正則匹配與字符替換的亂碼難題

在開發關鍵字高亮功能時，許多 PHP 開發者都會遭遇同一個棘手問題：本地測試一切正常，一旦部署到線上環境，中文內容卻變成無法閱讀的亂碼。英文處理毫無壓力，但一碰到漢字就頻頻出錯，甚至陷入死循環。這究竟是怎麼回事？

問題核心：PHP 早期版本不支援多位元組字符

早期的 PHP 內核並非基於 Unicode 設計，而是將字符串視為單字節的 ASCII 序列處理。一個中文字符在 GB2312/GBK 編碼下佔用 2 個位元組，在 UTF-8 下則佔用 3 個位元組。當正則引擎按單字節掃描時，會將一個漢字拆解為多個獨立字節進行匹配，導致模式錯位、匹配失敗甚至產生無效字符組合。

典型失敗場景

場景一：字符類別匹配中文

preg_match_all("/[漢字]+/ism", "我是漢字，看你把我怎麼著！", $matches);

開發者本意是匹配「漢」或「字」或「漢字」，實際上正則引擎將「漢字」拆解為 4 個位元組（GBK），字符類別 [漢字] 被誤解為匹配這 4 個位元組中的任意一個，結果產生大量亂碼。

場景二：字符串替換誤傷相鄰字符

eregi_replace("性", "沒有", "有責任感");

「有責任感」的 GBK 編碼位元組序列中，「有」的第二字節與「責」的第一字節剛好組成「性」的編碼。PHP 錯誤匹配並替換，導致「用揮敘任感」這樣的離奇結果。連 str_replace() 這類原生函數也無法倖免。

解決方案：使用 Multibyte String 擴展

PHP 提供了 mbstring 擴展，專門處理多位元組編碼。所有常用字符串函數都有對應的 mb_* 版本：

• mb_ereg_replace() 替代 ereg_replace()
• mb_strpos() 替代 strpos()
• mb_substr() 替代 substr()
• mb_strlen() 替代 strlen()

使用前請確認 php.ini 中啟用了 extension=mbstring，並通過 mb_internal_encoding('UTF-8') 設定內部編碼。

正則匹配的最佳實踐

若必須使用 PCRE 正則處理中文，請遵循以下原則：

1. 使用具體字符而非字符類別：/(漢|字)+/ 優於 /[漢字]+/
2. 啟用 Unicode 屬性支援：在模式末尾加上 u 修飾符，如 /漢字+/u
3. 指定編碼：確保源文件、資料庫連線、HTTP 輸出編碼一致（建議全站 UTF-8）

總結

中文處理的根本出路在於「編碼一致性」與「多位元組感知函數」。盡早遷移到 PHP 7+ 並全面採用 mbstring 函數、資料庫連線設定 SET NAMES utf8mb4、HTML 頁面宣告 <meta charset="utf-8">，才能從根源上杜絕亂碼困擾。