GBK 編碼中文分割亂碼問題：原因分析與三種解決方案

問題現象

在 GBK 編碼環境下，使用 explode('|', $str) 分割包含特定漢字的字符串時會產生錯誤結果。例如：

$result = explode('|', '滕華弢|海青'); // 錯誤分割

原因在於「弢」字的 GBK 編碼為 0x8F7C，其低位字節 0x7C 恰好等同於 ASCII 字符「|」（0x7C），導致 explode 錯誤地在漢字內部進行分割。

受影響字符範圍

GBK 編碼範圍為 0x8140-0xFEFE，所有低位字節為 0x7C 的字符均會觸發此問題，常見字符包括：

• 倈 (0x827C)
• 億 (0x837C)
• 眧 (0xB17C)
• 鍇 (0xE57C)

三種解決方案對比

方案一：轉碼法（通用但效較低）

<?php
$str = '滕華弢|海青';
$utf8 = iconv('GBK', 'UTF-8', $str);
$parts = explode('|', $utf8);
$result = array_map(function($v) {
    return iconv('UTF-8', 'GBK', $v);
}, $parts);
?>

優點：邏輯簡單，適用於所有分隔符
缺點：雙重轉碼效能開銷大，不適合高頻操作

方案二：正則匹配法（推薦，效能最佳）

<?php
$gbk_str = '滕華弢|海青';
preg_match_all('/([\x81-\xfe][\x40-\xfe])+/', $gbk_str, $matches);
$result = $matches[0]; // 正確分割結果
?>

原理：GBK 雙字節字符高位範圍 0x81-0xFE，低位範圍 0x40-0xFE（排除 0x7F），正則直接匹配完整雙字節字符序列，繞過分隔符衝突。
優點：無需轉碼，執行速度快，記憶體佔用少
適用場景：固定分隔符、大數據量處理

方案三：自定義分割函數（兼容性最強）

<?php
function gbk_explode($delimiter, $string) {
    $result = [];
    $current = '';
    $len = strlen($string);
    
    for ($i = 0; $i < $len; $i++) {
        $char = $string[$i];
        // 判斷是否為 GBK 高位字節
        if (ord($char) >= 0x81 && ord($char) <= 0xFE) {
            $current .= $char . $string[++$i]; // 取雙字節
        } elseif ($char === $delimiter) {
            $result[] = $current;
            $current = '';
        } else {
            $current .= $char;
        }
    }
    $result[] = $current;
    return $result;
}
?>

最佳實踐建議

1. 新專案優先採用 UTF-8：從源頭避免 GBK 兼容性問題
2. 存儲層統一 UTF-8：MySQL 使用 utf8mb4 字符集
3. 若必須維護 GBK 系統：封裝 gbk_explode() 為通用工具函數，統一替換原生 explode()

總結

GBK 編碼下的分割亂碼本質是「單字節分隔符與雙字節字符低位衝突」。正則匹配法 preg_match_all('/([\x81-\xfe][\x40-\xfe])+/') 是效能與兼容性的最佳平衡點，建議在存量 GBK 專案中採用。