PHP 多位元組字串截取函數：精準支援 UTF-8/Big5/GBK 中英混排

問題背景

PHP 內建 substr() 按位元組截取，對中文等多位元組編碼會產生亂碼。本文提供一個 cutstr() 函數，正確按「字元寬度」截取，支援 UTF-8、Big5、GBK 等編碼，並自動處理 HTML 實體避免截斷標籤。

完整函數程式碼

<?php
define('CHARSET', 'UTF-8'); // 系統預設編碼

/**
 * 依字元寬度截取字串 (支援中英混排)
 * @param string $string  原始字串
 * @param int    $length  目標寬度 (中文算 2，英文/數字/符號算 1)
 * @param string $dot     截斷後綴，預設 '...'
 * @return string 截取後字串
 */
function cutstr(string $string, int $length, string $dot = '...'): string
{
    if (mb_strlen($string, CHARSET) <= $length) {
        return $string;
    }

    // 保護 HTML 實體不被截斷
    $placeholder = "\x01"; // 不可見控制字元
    $entities = ['&' => '&', '"' => '"', '<' => '<', '>' => '>'];
    $string = str_replace(array_keys($entities), array_map(fn($v) => $placeholder . $v . $placeholder, $entities), $string);

    $strcut = '';
    if (strtolower(CHARSET) === 'utf-8') {
        $n = $tn = $noc = 0;
        $len = strlen($string);
        while ($n < $len) {
            $t = ord($string[$n]);
            if ($t <= 127) { // ASCII (含控制字元)
                $tn = 1; $n++; $noc++;
            } elseif (($t & 0xE0) === 0xC0) { // 2-byte UTF-8
                $tn = 2; $n += 2; $noc += 2;
            } elseif (($t & 0xF0) === 0xE0) { // 3-byte UTF-8 (中日韓)
                $tn = 3; $n += 3; $noc += 2;
            } elseif (($t & 0xF8) === 0xF0) { // 4-byte UTF-8 (Emoji 等)
                $tn = 4; $n += 4; $noc += 2;
            } else {
                $n++; // 非法位元組跳過
                continue;
            }
            if ($noc >= $length) break;
        }
        if ($noc > $length) $n -= $tn;
        $strcut = substr($string, 0, $n);
    } else {
        // Big5 / GBK 等雙位元組編碼
        for ($i = 0; $i < $length; $i++) {
            if ($i >= strlen($string)) break;
            $ord = ord($string[$i]);
            if ($ord > 127) { // 雙位元組字元
                $strcut .= $string[$i] . $string[++$i];
            } else {
                $strcut .= $string[$i];
            }
        }
    }

    // 還原 HTML 實體
    $strcut = str_replace(
        array_map(fn($v) => $placeholder . $v . $placeholder, $entities),
        array_values($entities),
        $strcut
    );

    // 移除截斷處殘留的半個實體
    $pos = strrpos($strcut, $placeholder);
    if ($pos !== false) $strcut = substr($strcut, 0, $pos);

    return $strcut . $dot;
}

// 使用範例
$text = 'PHP 程式設計教學：substr() vs mb_substr()';
echo cutstr($text, 20); // PHP 程式設計教學：su...
echo cutstr($text, 20, ' [閱讀更多]'); // PHP 程式設計教學：su [閱讀更多]
?>

核心邏輯解析

1. 寬度計算：中文/全形字算 2，ASCII 算 1，符合傳統終端機/列表顯示習慣。
2. UTF-8 位元組識別：透過位元遮罩判斷字元長度 (1~4 位元組)，避免使用 mb_substr() 產生的效能開銷。
3. HTML 實體保護：以控制字元 \x01 包裹 & " < >，確保截斷不會產生殘缺實體。
4. 編碼自適應：透過 CHARSET 常數切換 UTF-8 / 雙位元組模式。

現代替代方案 (PHP 7.2+)

若專案已使用 mbstring 擴充功能，建議直接使用原生函數：

function cutstr_modern(string $string, int $length, string $dot = '...'): string {
    if (mb_strwidth($string) <= $length) return $string;
    return mb_strimwidth($string, 0, $length, $dot, 'UTF-8');
}

mb_strwidth() / mb_strimwidth() 內建支援字元寬度計算，程式碼更簡潔可靠。

效能比較 (100 萬次迴圈)

適用場景建議

• 舊專案無 mbstring、需高效能：使用本文 cutstr()
• 現代專案 (PHP 7.2+)、追求可維護性：使用 mb_strimwidth()
• 需精確字元數而非寬度：mb_substr($str, 0, $len, 'UTF-8')

選對工具，讓中文截取不再產生亂碼與版面錯位。