PHP实现多字节字符串截取：解决中英文混合乱码

沈知远

发布时间：2026-10-13| 7人浏览过

原创

在PHP开发中，直接截取包含中文（多字节字符）的字符串常因字节边界破坏导致乱码。本文深入解析了UTF-8与GBK编码下的汉字截取原理，并通过提供四种经典的自定义函数方案，帮助开发者精准控制中英文混合内容的显示长度。

核心痛点与原理分析

PHP原生内置的substr()函数是按照“字节”而非“字符”进行截取的。对于ASCII字符，一个字节代表一个字符；但对于UTF-8或GBK编码的中文字符，通常需要2到3个甚至更多字节才能组成一个完整的汉字。如果强制使用substr()切断在一个汉字的中间，就会破坏其二进制结构，导致后续读取时出现乱码或截断失败。

UTF-8 编码下的精准截取方案

UTF-8编码中的每个汉字由多个字节组成。最优雅且高效的处理方式通常利用正则表达式匹配所有合法的UTF-8字符序列，从而避开逐个判断字节的繁琐过程。

第1步：采用正则匹配的通用函数

此方法兼容性好，不仅支持UTF-8，也通过判断编码格式适配了GBK/GB2312，是许多开源项目（如CMS系统）首选的标准写法。

<?php
/*
Utf-8、gb2312都支持的汉字截取函数
cut_str(字符串, 截取长度, 开始长度, 编码);
编码默认为 utf-8
开始长度默认为 0
*/
function cut_str($string, $sublen, $start = 0, $code = 'UTF-8')
{
    if($code == 'UTF-8')
    {
        // 正则匹配单字节或多字节字符（覆盖UTF-8全范围）
        $pa = "/[\x01-\x7f]|[\xc2-\xdf][\x80-\xbf]|\xe0[\xa0-\xbf][\x80-\xbf]|[\xe1-\xef][\x80-\xbf][\x80-\xbf]|\xf0[\x90-\xbf][\x80-\xbf][\x80-\xbf]|[\xf1-\xf7][\x80-\xbf][\x80-\xbf][\x80-\xbf]/";
        preg_match_all($pa, $string, $t_string);

        if(count($t_string[0]) - $start > $sublen) return join('', array_slice($t_string[0], $start, $sublen))."...";
        return join('', array_slice($t_string[0], $start, $sublen));
    }
    else
    {
        // GBK/GB2312 处理逻辑
        $start = $start*2;
        $sublen = $sublen*2;
        $strlen = strlen($string);
        $tmpstr = '';

        for($i=0; $i< $strlen; $i++)
        {
            if($i>=$start && $i< ($start+$sublen))
            {
                if(ord(substr($string, $i, 1))>129)
                {
                    $tmpstr.= substr($string, $i, 2);
                }
                else
                {
                    $tmpstr.= substr($string, $i, 1);
                }
            }
            if(ord(substr($string, $i, 1))>129) $i++;
        }
        if(strlen($tmpstr)< $strlen ) $tmpstr.= "...";
        return $tmpstr;
    }
}
$testStr = "需要截取的中英文混合字符串abcd";
echo cut_str($testStr, 8, 0, 'utf-8');
?>

该函数的核心在于正则：/[\x01-\x7f]|[\xc2-\xdf][\x80-\xbf]... 它一次性将符合UTF-8规则的所有字符（含英文单字节和中文多字节）提取出来，再利用array_slice按字符数截取，彻底解决了字节错位问题。

高性能与极简逻辑替代方案

在某些对性能敏感的场景下，正则可能开销较大。以下提供一种基于条件分支的高效UTF-8截取方案：

第2步：高效正则修正版

<?php
function mb_substr_utf8($str, $from, $len)
{
    return preg_replace('#^(?:[\x00-\x7F]|[\xC0-\xFF][\x80-\xBF]+){0,'.$from.'}'.
    '((?:[\x00-\x7F]|[\xC0-\xFF][\x80-\xBF]+){0,'.$len.'}).*#s',
    '$1',$str);
}
// 用法示例：取第0个字符后的5个字符
echo mb_substr_utf8("中文测试abc", 0, 5);
?>

第3步：GBK双字节判定法

如果你的项目严格锁定为 GBK 或 GB2312 环境，可以采用经典的单字节高位判断法。

<?php
function substr_gb2312($string, $start, $length)
{
    $tmpstr = "";
    $endPos = $start + $length;
    for($i = $start; $i < $endPos; $i++) {
        // ord() 返回字符的 ASCII 值。
        // GBK/GB2312 中文的第一个字节大于 0xa0 (160)
        if(ord(substr($string, $i, 1)) > 0xa0) {
            $tmpstr .= substr($string, $i, 2); // 取出整个汉字占两个字节
            $i++; // 指针跳过下一个字节
        } else {
            $tmpstr .= substr($string, $i, 1);
        }
    }
    return $tmpstr;
}
?>