php怎样处理多字节字符_php处理多字节字符mbstring【字符】

mb_strlen 返回字符数而 strlen 返回字节数，UTF-8 中一个汉字占3字节但算1字符；未指定编码或编码不匹配会导致 mb_substr 乱码；mb_detect_encoding 不可靠，应明确源头编码并用 mb_check_encoding 验证。

mb_strlen 为什么返回的长度和 strlen 不一样

因为 strlen 按字节计数，而中文、日文等多字节字符（如 UTF-8 下的汉字）通常占 3 个字节，strlen 就会把一个汉字算成 3；mb_strlen 按字符计数，默认使用当前 mb_internal_encoding() 编码（通常是 UTF-8），所以一个汉字算 1。

常见错误：用 strlen 截取中文字符串导致乱码或截断不完整。

• 务必确认当前内部编码：

  echo mb_internal_encoding(); // 应为 UTF-8

• 显式指定编码更安全：

  mb_strlen($str, 'UTF-8')

• 如果输出是 GBK 页面，但源数据是 UTF-8，需先转换再计算：

  mb_strlen(mb_convert_encoding($str, 'UTF-8', 'GBK'), 'UTF-8')

mb_substr 截取中文时出现乱码或空字符

根本原因是没传编码参数，或编码与实际不符。PHP 7.2+ 默认使用 mb_internal_encoding()，但旧版本或某些 SAPI（如 CLI）可能默认是 ISO-8859-1，导致 mb_substr($str, 0, 5) 拿到半个 UTF-8 字节序列，解码失败就变空或 。

• 永远显式传第三个参数：

  mb_substr($str, 0, 5, 'UTF-8')

• 避免依赖全局设置，尤其在 CLI 或多编码混合项目中
• 注意：起始位置和长度单位都是「字符」，不是字节 —— mb_substr($str, 0, 2, 'UTF-8') 取前两个汉字，不是前两个字节

mb_detect_encoding 不可靠，别拿来判断编码

mb_detect_encoding 是启发式猜测，对短文本、纯 ASCII 或混合编码几乎必然误判。比如一段含中文的 JSON 字符串，可能被错判为 SJIS 或 EUC-JP，后续 mb_convert_encoding 就会把 UTF-8 字节当其他编码转，结果全乱。

• 真实项目中应**明确知道输入编码**，从源头控制（HTTP 请求头、数据库连接 charset、文件保存格式）
• 若必须检测，至少限定候选集并设 strict：

  mb_detect_encoding($str, ['UTF-8', 'GBK', 'BIG5'], true)

• 更稳妥的做法是用 mb_check_encoding($str, 'UTF-8') 验证，返回 false 就说明不是合法 UTF-8，再考虑 fallback 处理

开启 mbst

ring 扩展后 mb_ 函数仍报 undefined

常见于 Docker 环境、自编译 PHP 或某些云函数平台 —— 扩展虽已安装，但未启用或被禁用函数列表屏蔽。

• 检查是否启用：

  php -m | grep mbstring

  或

  var_dump(extension_loaded('mbstring'));

• 确认 disable_functions 里没禁用 mb_substr 等（查看 phpinfo() 中 “Disabled Functions” 行）
• 某些 Alpine Linux 镜像需额外装 php-mbstring 包（不止是 php 主包）
• CLI 和 Web SAPI 的 php.ini 可能不同，用 php --ini 和 phpinfo() 分别确认