PHP 從字串中提取中文字元 (支援多種編碼)

針對 GBK、GB2312、UTF-8、UTF-16 等編碼，提供一個函數 getChinese() 從混合字串中過濾出中文字元。原理利用中文編碼中首字節高位為 1 ( > 0xA0 ) 的特徵，配合編碼對應的字節長度截取。

函數代碼

function getChinese($string, $encoding = 'GBK') {
    $byteLen = [
        'GBK'     => 2,
        'GB2312'  => 2, // 實際同 GBK
        'UTF-8'   => 3, // 中文常為 3 字節
        'UTF-16'  => 4,
    ];
    $len = $byteLen[strtoupper($encoding)] ?? 2;
    $result = '';
    $strLen = strlen($string);

    for ($i = 0; $i < $strLen; $i++) {
        $char = $string[$i];
        if (ord($char) > 0xA0) { // 高位元組特徵
            $result .= substr($string, $i, $len);
            $i += $len - 1;
        }
    }
    return $result;
}

// 測試
$str = 'Hello 世界 123 你好';
echo getChinese($str, 'UTF-8'); // 輸出: 世界你好 (若檔案為 UTF-8 編碼)

局限性與改進

現代最佳實踐 (PHP 7.2+)

// 使用 mbstring (需安裝擴展)
function getChineseMb($str) {
    return preg_replace('/[^\p{Han}]/u', '', $str); // 僅保留漢字
}

// 或使用正則直接匹配 Unicode 範圍
function getChineseRegex($str) {
    preg_match_all('/[\x{4e00}-\x{9fa5}]+/u', $str, $m);
    return implode('', $m[0]);
}

$str = 'Hello 世界 🌍 你好';
echo getChineseMb($str);     // 世界你好
echo getChineseRegex($str);  // 世界你好

• \p{Han}：Unicode 屬性匹配所有漢字 (含繁體、日文漢字、擴展區)。
• u 修飾符：啟用 UTF-8 模式，正確處理多字節字元。
• mbstring：mb_ereg_replace、mb_substr 等函數原生支援多位元組編碼。

舊專案若無 mbstring，可考慮 iconv 轉 UTF-8 後再用正則，或引入 polyfill-mbstring。