PHP 字符串处理是日常开发里出现频率最高的操作之一,也是最容易被低估的一块:截取标题、过滤用户输入、拼接 SQL、清洗富文本、生成摘要,几乎每一处都在和字符串打交道。但很多人在写了两三年 PHP 之后,依然会在同一个地方翻车——中文被截成半个字、正则匹配中文直接报 preg_match(): Compilation failed、明明是同一段文字 strlen 和数据库里的字符数却对不上。这篇文章把 PHP 字符串处理拆成三条主线:单字节与多字节函数的边界、mbstring 扩展的正确用法、以及 PHP 正则中的编码陷阱,最后给出一份可直接抄走的避坑清单。

核心结论先放在前面:只要字符串里可能出现中文(或其他非 ASCII 字符),就必须默认使用 mb_* 系列和带 u 修饰符的正则;而涉及二进制、Base64、JSON、HTTP 头部这类确定是字节流的数据,才用 str* 系列。

一、先分清字节与字符:str* 与 mb_* 的分界

PHP 内部把字符串当作字节数组处理,函数本身并不知道"字符"是什么概念。UTF-8 下一个汉字占 3 个字节,所以 strlen('中文') 返回 6,而 mb_strlen('中文', 'UTF-8') 才返回 2。这个差异在英文环境里完全感知不到,一上中文就全线崩。

常用函数对照

需求按字节(单字节安全)按字符(多字节安全)
长度strlen()mb_strlen()
截取substr()mb_substr()
查找位置strpos()mb_strpos()
大小写strtolower()mb_strtolower()
按宽度截断—mb_strimwidth()
编码转换—mb_convert_encoding()
⚠️
最容易忽略的一处
substr() 截断中文不会报错,它会安静地把一个 3 字节的汉字切成 1.5 个字节,结果是一个非法的 UTF-8 序列。页面看着只是"末尾多了个问号或黑块",但把这个值再写进 MySQL 的 utf8mb4 字段时,可能直接抛出 Incorrect string value。

二、mbstring 扩展:确认可用并统一编码

第一件事是确认扩展存在,很多精简版镜像(尤其是 php:alpine 基础镜像)默认不带 mbstring:

bash terminal
php -m | grep -i mbstring
# 空输出说明未安装

# Debian / Ubuntu
apt-get install -y php8.3-mbstring

# Alpine(官方镜像)
docker-php-ext-install mbstring

# 查看当前内部编码
php -r "var_dump(mb_internal_encoding());"

建议在 php.ini 或框架的启动文件里显式声明内部编码,不要让默认值替你决定:

ini php.ini
extension=mbstring
mbstring.language = Neutral
mbstring.internal_encoding = UTF-8
mbstring.http_input = pass
mbstring.http_output = pass
mbstring.encoding_translation = Off
mbstring.substitute_character = none
💡 小技巧:把 mbstring.substitute_character 设为 none 可以让非法字节被直接丢弃而不是替换成 ?,后面排查乱码时反而更容易定位问题源头。

一个够用的安全截断函数

列表页标题截断是最典型的场景,直接 substr($title, 0, 20) 一定会切坏中文。正确写法要同时处理字符截取与省略号占位:

php helpers.php
function excerpt(string $text, int $limit = 20, string $suffix = '...'): string
{
    $text = trim(strip_tags($text));
    // 先统一到 UTF-8,防止历史数据是 GBK
    if (!mb_check_encoding($text, 'UTF-8')) {
        $text = mb_convert_encoding($text, 'UTF-8', 'GB18030');
    }
    if (mb_strlen($text, 'UTF-8') <= $limit) {
        return $text;
    }
    return mb_substr($text, 0, $limit, 'UTF-8') . $suffix;
}

// 按"显示宽度"截断更稳:中文算 2,英文算 1
echo mb_strimwidth('PHP 字符串处理全解', 0, 18, '...', 'UTF-8');

三、常见编码坑:四个真实踩过的点

1. 文件 BOM 导致的"莫名空白输出"

用 Windows 记事本保存过的 PHP 文件常带 UTF-8 BOM(EF BB BF),这三个字节在 <?php 之前被直接输出,于是页面顶部多出一条空白,进而让 header() 报 headers already sent。检测方法很直接:

php check_bom.php
$head = file_get_contents($file, false, null, 0, 3);
if ($head === "\xEF\xBB\xBF") {
    echo "该文件带 BOM: {$file}\n";
}

2. GBK 与 UTF-8 混用

老项目从 GBK 迁到 UTF-8 时,最容易出现"一部分页面正常、一部分乱码"。判断依据不是肉眼看,而是校验编码合法性:mb_check_encoding($str, 'UTF-8') 返回 false 就说明这条数据不是合法 UTF-8,再按来源猜原始编码做一次 mb_convert_encoding。注意第三参数要写 GB18030 而不是 GBK,前者是超集,兼容性更好。

3. JSON 输出被转义成 Unicode

接口返回中文变成 \u4e2d\u6587,看着像乱码其实没错,只是可读性差。PHP 5.4 之后可以用 JSON_UNESCAPED_UNICODE 保留原字符:

php api.php
header('Content-Type: application/json; charset=utf-8');
echo json_encode($data, JSON_UNESCAPED_UNICODE | JSON_UNESCAPED_SLASHES);

// json_encode 失败时不会抛异常,必须显式检查
$json = json_encode($data, JSON_UNESCAPED_UNICODE);
if ($json === false) {
    throw new RuntimeException('JSON 编码失败: ' . json_last_error_msg());
}

4. 大小写转换只对 ASCII 生效

strtolower() 只处理 A-Z,遇到 Ä、Σ 这类字符毫无反应。mb_strtolower($s, 'UTF-8') 才会按 Unicode 规则转换。做搜索关键词归一化时这一条尤其重要。

四、PHP 正则:u 修饰符是中文场景的生死线

PCRE 默认按字节匹配,所以 /\w+/、/^.{2,10}$/ 这类写法在中文上都不成立。解决办法是加 u 修饰符,让 PCRE 以 UTF-8 的码点为单位工作。

php regex.php
// ❌ 缺少 u:中文标题校验会误判
preg_match('/^.{2,20}$/', $title);

// ✅ 带 u:按字符数校验
preg_match('/^.{2,20}$/u', $title);

// 匹配中文字符区间
preg_match('/[\x{4e00}-\x{9fa5}]+/u', $text, $m);

// 提取所有中文片段(\p{Han} 比手写区间更可靠)
preg_match_all('/\p{Han}+/u', $text, $matches);

// 去掉不可见字符与多余空白
$clean = preg_replace('/[\x{200B}-\x{200D}\x{FEFF}\s]+/u', ' ', $text);
⚠️
u 修饰符的隐性要求
加了 u 之后,PCRE 会先校验整个目标串是否为合法 UTF-8。如果输入里混了半个汉字或 GBK 字节,preg_match 会直接返回 false 并把 preg_last_error() 置为 4(PREG_BAD_UTF8_ERROR),而不是返回 0。所以生产代码里判断结果必须写 === 1 或 === false,不能用 if (preg_match(...)) 之外的模糊写法,更不能把 false 当成"没匹配到"。

正则排查的标准动作

php debug_regex.php
$ok = preg_match('/\p{Han}+/u', $input, $m);
if ($ok === false) {
    $code = preg_last_error();
    $msg  = [
        PREG_NO_ERROR              => '无错误',
        PREG_INTERNAL_ERROR        => 'PCRE 内部错误',
        PREG_BACKTRACK_LIMIT_ERROR => '回溯次数超限,考虑简化正则或调大 pcre.backtrack_limit',
        PREG_BAD_UTF8_ERROR        => '目标串不是合法 UTF-8,先做编码校验',
    ][$code] ?? '未知错误';
    throw new RuntimeException("正则执行失败:{$msg}");
}

五、性能取舍:什么时候该用 str*

多字节函数要做编码解析,比字节函数慢,但差距在常规场景下完全可忽略(单次调用微秒级)。真正需要在意的是循环里的重复调用,例如对十万行数据逐行做 mb_strlen。这类场景的正确优化方向是先过滤再处理,而不是退回 strlen:

php batch.php
// 慢:每行都做一次多字节长度计算
foreach ($lines as $line) {
    if (mb_strlen($line, 'UTF-8') > 0) { $hits[] = $line; }
}

// 快:先用字节长度快速排除空行,再做精确判断
foreach ($lines as $line) {
    if (strlen($line) === 0) { continue; }
    if (mb_strlen($line, 'UTF-8') > 200) { continue; }
    $hits[] = $line;
}

另有一个高频误区:把 htmlspecialchars() 当成"字符串处理万能药"。它只处理 & < > " ' 五个字符,用于防 XSS 是正确的,但用于清洗富文本会破坏结构。富文本应该走白名单过滤(如 HTMLPurifier),而不是靠正则和实体转义硬怼。

六、避坑清单

ℹ️
上线前逐条自查
1. 所有截取/计长涉及用户内容的,是否用了 mb_*?
2. 正则是否都带了 u(或明确只处理 ASCII)?
3. preg_* 的返回值是否用 === false 单独判错?
4. json_encode 是否检查了 === false?
5. 数据库连接、表、字段三者字符集是否统一为 utf8mb4?
6. PHP 源文件是否无 BOM、无闭合标签后的多余空白?

总结

字符串处理看起来是"基础",实际考验的是对字节与字符边界的清醒认知。把 mb_* 当默认、把 u 修饰符当肌肉记忆、把函数返回值的失败分支当必写代码,这三件事做到,中文乱码和正则报错基本就绝迹了。

字符串不会说谎,它只是按字节如实返回你写下的东西。
—— 每一次乱码,都是编码在某处被换过一次。

相关阅读