如何利用PHP来截取一段中文字符串而不出现乱码

标题：如何利用PHP来截取一段中文字符串而不出现乱码

作者:jeffwu(327wu@263.net)
[code:1:e818e36f81]
/*
功能：截取全角和半角混合的字符串以避免乱码
参数：
$str_cut 需要截断的字符串
$length  允许字符串显示的最大长度

*/

function substr_cut($str_cut,$length = 30){ 

if (strlen($str_cut) > $length){
  for($i=0; $i < $length; $i++)
   if (ord($str_cut[$i]) > 128) $i++;
  $str_cut = substr($str_cut,0,$i) . "...";
}
return $str_cut;
}

[/code:1:e818e36f81]
说明：
程序的关键语句是：
[code:1:e818e36f81]
for($i=0; $i < $length; $i++)
if (ord($str_cut[$i]) > 128) $i++;

$str_cut = substr($str_cut,0,$i) . "...";
[/code:1:e818e36f81]
如果字符的ASCII码大于128，说明当前字符和下一个字符是属于一个汉字的。
则，$i++ 跳过对下一个字符的判断。
再结合循环中的 $i++ ，实际上，当遇到一个汉字时，$i 就会加 2 ，从而正确的跳过汉字。
最终实现的效果是，$i 变量指向的要么是半角的字符，要么是全角汉字的首字符，不会指向
全角汉字的第二个字符，所以，当$i >= $length 时，循环结束，使用
$str_cut = substr($str_cut,0,$i) . "..."; 截取字符时自然也就不会出现乱码了。


本人在写一个程序时需要利用PHP从一段字符串中截取指定长度的一段字符下来。以前在写ASP的时候，参考动网的程序写过类似的程序，不过，还没用PHP写过。

想偷懒，看有不有现成的代码可以用。于是，在GOOGLE中输入：PHP 截断字符 后查找到一段代码。

全文：http://www.yesky.com/SoftChannel/72342371945349120/20020510/1610570_3.shtml

引用：
#########################################################################
　　如何分别全角和半角以避免乱码? 

　　我们可以写这样一个函数来实现： 
[code:1:e818e36f81]
function ChgTitle($title) 
{ 
$length = 46; //我们允许字符串显示的最大长度
if (strlen($title)＞$length) { 
$temp = 0; 
for($i=0; $i＜$length; $i++) 
if (ord($title[$i]) ＞ 128) $temp++; 
if ($temp%2 == 0) 
$title = substr($title,0,$length)."..."; 
else 
$title = substr($title,0,$length+1)."..."; 
} 
return $title; 
}  
[/code:1:e818e36f81]
　　这个函数原理就是截断一个字符，看看其ascII码是不是大于128，如果是，说明截断的是一个全角汉字，那么就退后一个截断。用$length控制长度 

　　备注：循环判断字符串里面的 ＞128 的字符个数，如果半角字符为偶数，则表示位置刚好为整个汉字，如果为奇数，则为半个汉字，需要取下一个字符

#######################################################################

消化、测试这段代码后发现有问题。经过反复调试，查找出，这段代码基于的原理不正确。
它认为，汉字的两个字节其ASCII码都会大于128，其实不然，一个汉字的首个字节的ASCII码
必定是大于128的，但是第二个字节的ASCII码不一定大于128，例如："祐",其两个字节的ASCII
码分别为：181 和 118。

经过仔细分析，最终，我利用上面的函数实现了对全角和半角字符串的截取。

一点点体会，写出来也是想和大家一起交流、学习。我不知道是不是有人已经写过上面的函数，不过，
我还没能读到，也就只能自己琢磨了，呵呵。

欢迎有兴趣的朋友来信交流。

longnetpro 回复于：2003-11-26 02:26:16

要想搞得更精确一点的话，请看GB2312的编码规则 gb2313是这样的，第一字节范围是0x80 - 0xFE；第二字节范围是 0x40 - 0xFE，但不能为0x7F。 还可以用正则表达式，假如你想得到前三十个汉字（不是字节），可用 /^([\x00-\x7F]|[\x80-\xFE][\x40-\x7E\x80-\xFE]){30}/ 我用的方法一贯是：将多字节码（如中文）转换为UNICODE，长度自然就出来了。不过一般只针对长度比较短的字符串，因为在一般的PHP编程中很少需要分析长的多字节编码的字符串（如求长度或是截取其中一部分），而且就算是不转换成UNICODE循环也很慢，不值得推荐，肯定需要用到扩展模块的（如mbstring多字节码字符串模块）。而用UNICODE转换是比较通用的办法，现在WINDOWS NT系列的操作系统都是用UNICODE作底层统一编码的。

netkiller 回复于：2003-11-26 09:01:02

哈哈．．楼主例只，只能用于ＧＢ２３１２，如果是ＧＢ１８０３０，ＧＢＫ不知可以吗？？？？ [quote:bdf0b87f3e="longnetpro"]E\x80-\xFE]){30}/ 我用的方法一贯是：将多字节码（如中文）转换为UNICODE，长度自然就出来了。不过一般只针对长度比较短的字符串，因为在一般的PHP编程中很少需要分析长的多字节编码的字符串（如求长度或是截取?.........[/quote:bdf0b87f3e] 我的整个站点都是ＵＴＦ－８的．．数据库使用ＵＮＩＣＯＤＥ　数据存储ＵＴＦ－８ member=> select substring('数据库的编码是用系统表' from 1 for 4);  substring -----------  数据库的 (1 row)   member=> select substring('数据库的编码是用系统表' from 1 for 2);  substring -----------  数据 (1 row)   member=> select * from 组; 序号 |     组名     |         描述 ------+--------------+----------------------     1 | 域用户       | 9812.net域内用户     3 | 计算机维护组 | 维护计算机的用户用户 (2 rows)   member=> select 组名,substring(描述 from 1 for 5) as 描述 from 组;      组名     |    描述 --------------+------------  域用户       | 9812.  计算机维护组 | 维护计算机 (2 rows)

longnetpro 回复于：2003-11-26 11:20:54

你这个是对特殊设置的数据库可行，比较通用的办法还是用PHP即时转换吧。 我前一个月写了一个汉字编码转换的程序，支持UTF8，UTF16BE、LE，UTF32BE、LE，GB18030，BIG5的互转，支持繁简互转，中间代码用UNICODE。 演示地址： 简体 http://members.lycos.co.uk/longnetpro/encoding/ 繁体 http://members.lycos.co.uk/longnetpro/encoding/?lang=cht 因为是演示版，并顾及到服务器安全性，因此我限制了它的很多功能，转换也只限于UTF8，GB18030，BIG5，但该类本身的功能是完整的。 注意，如果是文件转换，只能转换TXT文件。

netkiller 回复于：2003-11-26 17:06:51

[quote:3ae2976a31="longnetpro"]你这个是对特殊设置的数据库可行，比较通用的办法还是用PHP即时转换吧。 我前一个月写了一个汉字编码转换的程序，支持UTF8，UTF16BE、LE，UTF32BE、LE，GB18030，BIG5的互转，支持繁简互转，中间代码用UNICODE。 ..........[/quote:3ae2976a31] 不支持UNICODE.的数据就是不合格产品.. 你那么转来转去.烦不烦...影响性能... 如果要转码.使用iconv 函数就行了.编译时加--with-iconv 数据本身也支持 select convert(描述,'UNICODE','GBK')as desc from 组; select convert(组名 using utf_8_to_gb18030) from 组; http://home.9812.net/linux/article/postgres/postgresql.htm 请看看.. 11.8.2 PHP

longnetpro 回复于：2003-11-26 20:35:36

[quote:87a95e989e="netkiller"] 不支持UNICODE.的数据就是不合格产品.. 你那么转来转去.烦不烦...影响性能... 如果要转码.使用iconv 函数就行了.编译时加--with-iconv 数据本身也支持 select convert(描述,'UNICODE','GBK')as desc from ?.........[/quote:87a95e989e] 不支持UNICODE的数据就是不合格产品？可能你这么认为，可很多老外并不这么认为的。其实说白了，UNICODE还是为了照顾非拉丁文字语言而搞的，它为什么一定要支持？因为UNICODE只是一个组织定的标准，并不一定被所有人认同，其实现在还有争议。还有一个原因是UNICODE在很多情况下也并非绝对完美的方案。 你嫌烦就算了，又没有要你用！性能和效率问题我已尽量考虑了。再说了，你要有所得必定有所失。 任何一种方法都有各自的优缺点的，什么事也不都是完全按你想象那样来的，不是所有的人的需求和条件都和你一样的。意外的情况也很多，但是只要你用得得法，用的场合得当，没有什么不好的。不然的话，要是都明知道你的方法好，何必想方设法搞一些别的东西出来呢？一个东西的存在是有它存在的理由的，比如MS的产品，你能说它很好？但它为什么这么受欢迎？——当然你可能不喜欢它，我也不太喜欢它，但还是有很多人是喜欢它的。 所以以后发表结论的时候请客观一点，看问题的视角多一点，不是只从自己出发。

netkiller 回复于：2003-11-27 09:08:11

[quote:1addfc0608="longnetpro"] 不支持UNICODE的数据就是不合格产品？可能你这么认为，可很多老外并不这么认为的。其实说白了，UNICODE还是为了照顾非拉丁文字语言而搞的，它为什么一定要支持？因为UNICODE只是一个组织定的标准，并不一定被所有..........[/quote:1addfc0608] 这是直接使用UNICODE与间接使用... 的问题. UNICODE还是为了照顾非拉丁文字语言而搞的..不是为了"照顾". 而是为了跨平台兼容.. UNICODE 使你的数据库可以存储,中文(繁,简,蒙古,藏文....),日文,韩文.啊拉伯..等等..... 一个中文汉字长=假名长=韩文长=啊拉伯字长=英文....... 好处不用说... [quote:1addfc0608] 所以以后发表结论的时候请客观一点，看问题的视角多一点，不是只从自己出发。  [/quote:1addfc0608] 你可以看看我写的文档.. [url]http://home.9812.net/linux/article/postgres/postgresql.htm[/url] 11.8       汉字编码问题 文中提供了.4转码方案.(包括原代码) 视角还不够多吗? 目前还没想出其它方案.

longnetpro 回复于：2003-11-27 10:04:08

从postgresql的角度来说，你的方法是很好，也的确简单易行。但并不是所有的用户都是用这种数据库的，也不是所有的用户都是用这种方式的。也不是所有的数据库都支持UNICODE的——因为现在就是存在有很多的“不合格产品”，你能怎么办？并非说你的方法不好，也并非说UNICODE不好，我也用UNICODE，我也需要转换。我所说的多视角也并非指方案有多少（你的所有方案都只是基于postgresql的），而是说不能只站在你熟悉的角度上看问题。你的好的方法和建议我会接受的。

netkiller 回复于：2003-11-27 10:26:01

我的方法同样适合ＳＱＬ９９的数据．如Oracle 一般不合格数据都是ＳＱＬ９２的．如果他不支持ＵＮＩＣＯＤＥ．为什么拿到其它国家销售呢．．？？？哈哈．．． :) ＭＳ Sqlserver , Sybase 虽然是ＳＱＬ９２但他加了很多自己东东．跟本不是ＡＳＮＩ　的ＳＱＬ　２　／ＳＱＬ９２

znsoft 回复于：2003-11-28 10:19:29

hehe,这段代码最早是我在phpease.com发表的，来源于几年前作的汉字显示研究:) 往事不在,phpease.com也关门， 当年php红火的场面也不在了，但欣慰的是用php 的人越来越多了 上面的边界字符还有问题，最好的是判断 是否大于0xa0,这是汉字的第一个字符开始的编码

netkiller 回复于：2003-11-28 11:44:40

哈哈.phpease.com 我和站长聊过.. 我让他和其它站合作..走合并路..

原文转自：http://www.ltesting.net