PHP按字符数无乱码截取UTF-8字符串的方法
发布时间：2026-10-14| 6人浏览过
在处理包含中文的UTF-8编码数据时，直接使用 substr 函数往往会导致乱码。为了解决这一常见问题，本文提供了一种按指定字符数量安全截取字符串的逻辑实现。
核心原理与准备条件
在 UTF-8 编码标准中，ASCII 字符占用 1 个字节，而中文等多语言字符通常占用 3 个字节（部分特殊字符可能占 4、5 或 6 字节）。截断时必须保持字符完整性，不能切断多字节序列。
实现逻辑主要依赖对每个字节最高位的检测：
- 单字节标识：最高位为 0 (0xxxxxxx)，表示这是一个 ASCII 字符或结束符。
- 双字节标识：前两位为 11 (110xxxxx)。
- 三字节标识：前三位为 111 (1110xxxx)。
- 四至六字节标识：依此类推 (11110xxx, 111110xx 等)。
基础版代码实现
该方法通过 ord() 获取字节数值，并使用 decbin() 转换为二进制字符串进行比对，以确定当前字符所占的字节数。
<?php
// $str: 待截取的字符串
// $len: 期望截取的字符个数
function utf8sub($str,$len){
if($len<=0){
return "";
}
$res="";
$offset=0;
$chars=0;
$length=strlen($str);
while($chars<$len && $offset<$length){
// 获取当前字节的二进制字符串
$hign=decbin(ord(substr($str,$offset,1)));
// 根据二进制前缀判断字符占用的字节数
if(strlen($hign)<8){
$count=1;
}elseif(substr($hign,0,3)=="110"){
$count=2;
}elseif(substr($hign,0,4)=="1110"){
$count=3;
}elseif(substr($hign,0,5)=="11110"){
$count=4;
}elseif(substr($hign,0,6)=="111110"){
$count=5;
}elseif(substr($hign,0,7)=="1111110"){
$count=6;
}
// 拼接完整的多字节字符并移动指针
$res.=substr($str,$offset,$count);
$offset+=$count;
$chars+=1;
}
return $res;
}
// 测试用例
$a="中华ah人民hdj";
echo utf8sub($a,5); // 预期输出: 中华ah人
?>
优化版：使用位运算提升性能
将 substr 字符串比对改为 & 位掩码操作，可以有效减少内存分配和字符串处理的开销，适合处理更长的文本。
<?php
function utf8sub1($str,$len){
$chars=0;
$res="";
$offset=0;
$length=strlen($str);
while($chars<$len && $offset<$length){
$hign=ord(substr($str,$offset,1));
// 使用位运算匹配字节高位模式
if(($hign & 0x80) == 0x00){ // 0xxxxxxx -> 1 byte
$count=1;
}elseif(($hign & 0xE0) == 0xC0){ // 110xxxxx -> 2 bytes
$count=2;
}elseif(($hign & 0xF0) == 0xE0){ // 1110xxxx -> 3 bytes
$count=3;
}elseif(($hign & 0xF8) == 0xF0){ // 11110xxx -> 4 bytes
$count=4;
}elseif(($hign & 0xFC) == 0xF8){ // 111110xx -> 5 bytes
$count=5;
}elseif(($hign & 0xFE) == 0xFC){ // 1111110x -> 6 bytes
$count=6;
}
$res.=substr($str,$offset,$count);
$chars++;
$offset+=$count;
}
return $res;
}
?>
生产环境建议与排错
虽然上述算法展示了底层原理，但在实际 PHP 项目开发中，推荐优先使用内置的 mb_substr 函数，它经过高度优化且无需重复造轮子。
推荐的现代写法：
<?php
// 注意：需确保 php_mbstring 扩展已开启
$result = mb_substr("中华ah人民hdj", 0, 5, 'UTF-8');
echo $result;
?>
如果必须保留自定义逻辑，请确保传入的字符串确实是 UTF-8 编码。若截取的字符串中包含 Emoji 或生僻汉字，它们可能由 4 个字节组成，此时需要确认您的数据库连接和文件保存格式同样支持完整的 UTF-8 流。
总结
以上就是PHP按字符无乱码截取中文方法的详细内容，更多关于PHP截取字符串的资料请关注本站其它相关文章！
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
