PHP 커널에서 탐색된 변수(7) - 사소하지 않은 문자열
- WBOY원래의
- 2016-08-08 09:27:04969검색
쯧, 문자열이 뭐가 그렇게 흥미로운데?
그러지 마세요, '보통의 세계'를 본 적이 있나요? 평범한 줄에도 특별한 이야기가 있을 수 있습니다. 미리보기:
(1) C 언어에서 문자열을 계산하는 strlen의 시간 복잡도는 얼마입니까? PHP에서는 어떻습니까?
(2) PHP에서 멀티바이트 문자열을 처리하는 방법은 무엇입니까? PHP의 유니코드 지원은 어떻게 되나요?
도 문자열인데 왜 C 언어가 C++/PHP/Java와 다른가요?
데이터 구조가 알고리즘을 결정합니다. 이 문장은 절대적으로 사실입니다.
그래서 오늘은 PHP의 문자열 구조와 관련 문자열 함수의 구현에 대해 살펴보겠습니다.
1. 문자열 기본
문자열은 PHP에서 가장 많이 사용되는 데이터 구조 중 하나라고 할 수 있습니다. 더 일반적으로 사용되는 또 다른 구조는 배열입니다. 변수(4) - PHP 커널 탐색의 배열 작업을 참조하세요. PHP 언어의 특성과 응용 시나리오로 인해 우리가 일상적으로 수행하는 작업 중 상당수는 실제로 문자열을 처리하는 것입니다. 이러한 이유로 PHP는 개발자에게 풍부한 문자열 조작 기능을 제공합니다(예비 통계에 따르면 약 100개로 상당한 숫자입니다). 그렇다면 PHP에서 문자열은 어떻게 구현됩니까? C언어와 무엇이 다른가요?
1. PHP의 문자열 표현
PHP에는 문자열을 사용하는 네 가지 일반적인 형식이 있습니다.
(1) 큰따옴표
다음 형식이 더 일반적입니다. $str=”이것은
(2) 작은따옴표작은따옴표 안에 포함된 문자는 원시 문자로 간주되므로 작은따옴표 안에 있는 변수, 제어 문자 등은 구문 분석되지 않습니다.
$string = "test"; $str = 'this is $string, aha\n'; echo $str;(3) Heredoc
Heredoc은 긴 문자열 표현에 더 적합하며 여러 줄 문자열 표현에 더 유연하고 다재다능합니다. 큰따옴표 표현과 마찬가지로 변수도 heredoc에 포함될 수 있습니다. 일반적인 형식은 다음과 같습니다.
$string ="test string"; $str = <<<STR This is a string \n, My string is $string STR; echo $str;(4) nowdoc(5.3+ 지원)
Nowdoc과 heredoc은 형제라고 생각할 정도로 비슷합니다. nowdoc의 시작 식별자는 작은따옴표로 묶여 있으며 변수, 형식 제어 문자 등을 구문 분석하지 않습니다.
$s = <<<'EOT' this is $str this is \t test; EOT; echo $s;2. PHP의 문자열 구조
앞서 언급했듯이 PHP에서 변수는 Zval(PHP 커널 탐색 변수(1) Zval)과 같은 구조를 사용하여 저장됩니다. Zval의 구조는 다음과 같습니다.
<span>struct _zval_struct {
zvalue_value value; </span><span>/*</span><span> value </span><span>*/</span><span>
zend_uint refcount__gc; </span><span>/*</span><span> variable ref count </span><span>*/</span><span>
zend_uchar type; </span><span>/*</span><span> active type </span><span>*/</span><span>
zend_uchar is_ref__gc; </span><span>/*</span><span> if it is a ref variable </span><span>*/</span><span>
};</span> 그리고 변수의 값은 zvalue_value와 같은 공용체입니다.
<span>typedef union _zvalue_value {
long lval;
</span><span>double</span><span> dval;
struct { </span><span>/*</span><span> string </span><span>*/</span><span>
char </span>*<span>val;
int len;
} str;
HashTable </span>*<span>ht;
zend_object_value obj;
} zvalue_value;</span>문자열의 구조를 추출합니다:
<span>struct {
char </span>*<span>val;
int len;
} str;</span>이제 PHP의 문자열은 실제로 문자열에 대한 포인터와 문자열 길이를 포함하는 최하위 수준의 구조라는 것이 분명해졌습니다. 그럼 왜 이러는 걸까요? 즉, 이 작업을 수행하면 어떤 이점이 있습니까? 다음으로, PHP 문자열을 C 언어 문자열과 비교하여 이러한 구조를 사용하여 문자열을 저장하는 이점을 설명하겠습니다.
3. C 언어 문자열과의 비교
우리는 C 언어에서 문자열이 두 가지 일반적인 형식으로 저장될 수 있다는 것을 알고 있습니다. 하나는 포인터를 사용하고 다른 하나는 문자 배열을 사용합니다. 다음 지침에서는 C 언어의 문자 배열을 사용하여 문자열을 저장합니다.
(1) PHP 문자열은 바이너리 안전하지만 C 문자열은 그렇지 않습니다.
우리는 "
바이너리 보안"이라는 용어를 자주 언급하는데, 바이너리 보안이란 정확히 무엇을 의미합니까?
Wikipedia에서 Binary Safe의 정의는 다음과 같습니다.
Binary-safe is a computer programming term mainly used in connection with <span>string</span> manipulating functions. <br />A binary-safe <span>function</span> is essentially one that treats its input <span>as</span> a raw stream of data without any specific format. <br />It should thus work with all 256 possible values that a character can take (assuming 8-bit characters).번역:
바이너리 보안은 컴퓨터 프로그래밍 용어로 주로 문자열 조작 기능에 사용됩니다. 바이너리 안전 함수는 본질적으로 입력을 특별한 형식 없이 원시 데이터 스트림으로 처리한다는 것을 의미합니다.
那么为什么C字符串不是二进制安全的？我们知道，在C语言中，以字符数组表示的字符串总是以\0结尾的，这个\0便是C字符串的specific format, 用于标识字符串的结束。更近一步说，如果一个字符串中本身包含了\0且并不是该字符串的结尾，那么在C中，\0后面的所有数据都会被忽略（感觉就像是 字符串被莫名其妙的截断了）。这也意味着，C字符串只合适保存简单的文本，而不能用于保存图片、视频、其他文件等二进制数据。而在PHP中，我们可以使用$str = file_get_contents(“filename”);保存图片、视频等二进制数据。 （2） 效率对比。 由于C字符串中使用\0来标志字符串的结束，因此，对于strlen函数而言，获取字符串长度的操作需要顺序遍历字符串，直到遇到\0为止，因此strlen函数的时间复杂度是O(n)。而在PHP中，字符串是以：
<span>struct{
char </span>*<span>val;
int len;
} str;</span>
这样一种结构体来表示的，因而获取字符串的长度只需要通过常量的时间便可以完成：
<span>#define</span> Z_STRLEN(zval) (zval).value.str.len
当然，仅仅是strlen函数的性能，无法支持“PHP中string比c字符串的效率更高”的结论（一个很明显的原因是PHP是构建在C语言之上的高级语言），而仅仅说明，在时间复杂度上，PHP字符串比C字符串更加高效。
（3） 很多C字符串函数存在缓冲区溢出的漏洞
缓存区溢出是C语言中常见的漏洞，这种安全隐患经常是致命的。一个典型的缓存区溢出的例子如下：
<span>void</span> str2Buf(<span>char</span> *<span>str) {
</span><span>char</span> buffer[<span>16</span><span>];
strcpy(buffer,str);
}</span>
这个函数将str的内容copy到buffer数组中，而buffer数组的大小是16，因此如果str的长度大于16，便会发生缓冲区溢出的问题。
除了strcpy，还有gets, strcat, fprintf等字符串函数也会有缓冲区溢出的问题。
PHP中并没有strcpy与strcat之类的函数，实际上由于PHP语言的简洁性，并不需要提供strcpy和strcat之类的函数。例如我们要复制一个字符串，直接使用=即可：
$str = <span>"</span><span>this is a string</span><span>"</span><span>; $str_copy </span>= $str;
由于PHP中变量共享zval的特性，并不会有空间浪费.而简单的.连接符可以轻松实现字符串连接：
$str = <span>"</span><span>this is</span><span>"</span><span>; $str .</span>= <span>"</span><span>test string</span><span>"</span><span>; echo $str;</span>
关于字符串连接符过程中的内存分配和管理，可以查看zend引擎部分的实现，这里暂时忽略。
二、 字符串操作相关函数（部分）
毫无疑问，研究字符串的目的并不只是为了知道它的结构和特性，而是为了更好的使用它。我们日常的工作中，恐怕有一般以上的工作都是在与字符串打交道：如处理一个日期串、加密一个密码、获取用户信息、正则表达式匹配替换、字符串替换、格式化一个串等等。可以说，在PHP开发中，你无法避免与字符串的直接或者间接接触（就像无法摆脱呼吸）。正因为如此，PHP为开发者提供了大量的、丰富的字符串操作函数（ http://cn2.php.net/manual/en/ref.strings.php），这对于90%以上的字符串操作，已经基本足够。
由于字符串函数众多，不可能一一说明。这里只挑选几个比较典型的字符串操作函数 来做简单的说明（我相信80%以上的PHPer对于字符串的操作函数掌握的非常的好）。
在开始说明之前，有必要强调一下字符串函数的使用原则，理解和掌握这些原则对于高效、熟练使用字符串函数非常关键，这些原则包括（不仅限于）：
（1） 如果你的操作既可以使用正则表达式，也可以使用字符串。那么优先考虑字符串操作。
正则表达式是处理文本的绝好工具，尤其对于模式查找、模式替换这一类应用，正则可以说是无往不利。正因为如此，正则表达式在很多场合都被滥用。如果对于你的字符串操作，既可以使用字符串函数完成，也可以使用正则表达式完成，那么，请优先选择字符串操作函数，因为正则表达式在一定场合下会有严重的性能问题。
（2） 注意false与0
PHP是弱变量类型，相信不少phper开始都深受其害
var_dump( <span>0</span> == <span>false</span>);<span>//</span><span>bool(true)</span> var_dump( <span>0</span> === <span>false</span>);<span>//</span><span>bool(false)</span>
等等，这与字符串操作函数有什么关系？
在PHP中，有一类函数用于查找（如strpos, stripos）,这类查找函数在查找成功时，返回的是子串在原串中的index，如strpos：
var_dump(strpos(<span>"</span><span>this is abc</span><span>"</span>, <span>"</span><span>abc</span><span>"</span>));
而在查找不成功时，返回的是false：
<span>var_dump</span>(<span>strpos</span>("this is abc", "angle"));<span>//</span><span>false</span>
这里便有一个坑:字符串的索引也是以0开始的！如果子串刚好在源串的起始位置出现，那么，简单的==比较便无法区分究竟strpos是不是成功：
<span>var_dump</span>(<span>strpos</span>("this is abc", "this"));
因此我们一定是要用===来比较的：
<span>if</span>((<span>strpos</span>("this is abc", "this")) === <span>false</span><span>){
</span><span>//</span><span> not found</span>
}
（3） 多看手册，避免重复造轮子。
相信不少PHPer面试都碰到过这样的问题：如何翻转一个字符串？由于题目中只提及“如何“，而并没有限制”不使用PHP内置函数“。那么对于本题，最简洁的方法自然是使用strrev函数。另一个说明不应该重复造轮子的函数是levenshtein函数，这个函数如同其名字一样，返回的是两个字符串的编辑距离。作为动态规划（DP）的典型代表案例之一，我想编辑距离很多人都不陌生。碰到这类问题，你还准备DP搞起吗？一个函数搞定它：
<span>$str1</span> = "this is test"<span>; </span><span>$str2</span> = "his is tes"<span>; </span><span>echo</span> <span>levenshtein</span>(<span>$str1</span>, <span>$str2</span>);
在某些情况下，我们都应该尽可能的“懒“，不是吗。
以下是字符串操作函数节选（对于最常见的操作，请直接参考手册）
1. strlen
此标题一出，我猜想大多数人的表情是这样的：
或者是这样的：
我要说的，并不是这个函数本身，而是这个函数的返回值。
int strlen ( string $string ) Returns the length of the given string.
虽然手册上明确指出“strlen函数返回给定字符串的长度”，但是，并没有对长度单位做任何说明，长度究竟是指”字符的个数“还是说”字符的字节数“。而我们要做的，并不是臆想，而是测试：
在GBK编码格式下：
<span>echo</span> <span>strlen</span>(“这是中文”);<span>//</span><span>8</span>
说明strlen函数返回的是字符串的字节数。那么又有问题了，如果是utf-8编码，由于中文在utf8编码的情况下，每个中文使用3个byte，因而，我们期望的结果应该是12:
<span>echo</span> <span>strlen</span>(“这是中文”);<span>//</span><span>12</span>
这说明：strlen计算字符串的长度依赖于当前的编码格式，其值并不是唯一的！这在某些情况下，自然是无法满足要求的。这时，多字节扩展mbstring便有它的发挥余地了：
<span>echo</span> mb_strlen("这是中文", "GB2312");<span>//</span><span>4</span>
关于这点，在多字节处理中会有相应说明，这里略过。
2. str_word_count
str_word_count是另一个比较强大的且容易忽略的字符串函数。
<span>mixed</span> <span>str_word_count</span> ( <span>string</span> <span>$string</span> [, int <span>$format</span> = 0 [, <span>string</span> <span>$charlist</span> ]] )
其中$format的不同值可以使str_word_count函数有不同的行为。 现在，我们手头有这样的文本：
When I am down and, oh my soul,<span> so weary When troubles come and my heart burdened be Then</span>,<span> I am still and wait here in the silence Until you come and sit awhile with me You raise me up</span>,<span> so I can stand on mountains You raise me up</span>,<span> to walk on stormy seas I am strong</span>,<span> when I am on your shoulders You raise me up… To more than I can ber You raise me up</span>,<span> so I can stand on mountains You raise me up</span>,<span> to walk on stormy seas I am strong</span>,<span> when I am on your shoulders You raise me up</span>, To more than I can be。
那么：
（1）$format = 0
$format=0, $format返回的是文本中的单词的个数：
echo str_word_count(file_get_contents(“word”)); //112
（2）$format = 1
$format=1时，返回的是文本中全部单词的数组：
<span>print_r</span>(<span>file_get_contents</span>(“word”),1 );
<span>Array</span><span>
(
[</span>0] =><span> When
[</span>1] =><span> I
[</span>2] =><span> am
[</span>3] =><span> down
[</span>4] =><span> and
[</span>5] =><span> oh
[</span>6] =><span> my
[</span>7] =><span> soul
[</span>8] =><span> so
[</span>9] =><span> weary
[</span>10] =><span> When
[</span>11] =><span> troubles
</span>......<span>
)</span>
这一特性有什么作用呢？比如英文分词。还记得“单词统计”的问题么？str_word_count可以轻松完成单词统计TopK的问题：
<span>$s</span> = <span>file_get_contents</span>("./word"<span>);
</span><span>$a</span> = <span>array_count_values</span>(<span>str_word_count</span>(<span>$s</span>, 1<span>)) ;
</span><span>arsort</span>( <span>$a</span><span> );
</span><span>print_r</span>( <span>$a</span><span> );
</span><span>/*</span><span>
Array
(
[I] => 10
[me] => 7
[raise] => 6
[up] => 6
[You] => 6
[am] => 6
[on] => 6
[can] => 4
[and] => 4
[be] => 3
[so] => 3
……
);</span><span>*/</span>
（3）$format = 2
$format=2时，返回的是一个关联数组：
<span>$a</span> = <span>str_word_count</span>(<span>$s</span>, 2<span>);
</span><span>print_r</span>(<span>$a</span><span>);
</span><span>/*</span><span>
Array
(
[0] => When
[5] => I
[7] => am
[10] => down
[15] => and
[20] => oh
[23] => my
[26] => soul
[32] => so
[35] => weary
[41] => When
[46] => troubles
[55] => come
...
)</span><span>*/</span>
配合其他数组函数，可以实现更加多样化的功能.例如，配合array_flip，可以计算某个单词最后一次出现的位置：
<span>$t</span> = <span>array_flip</span>(<span>str_word_count</span>(<span>$s</span>, 2<span>)); </span><span>print_r</span>(<span>$t</span>);
而如果配合了array_unique之后再array_flip，则可以计算某个单词第一次出现的位置：
<span>$t</span> = <span>array_flip</span>( <span>array_unique</span>(<span>str_word_count</span>(<span>$s</span>, 2<span>)) );
</span><span>print_r</span>(<span>$t</span><span>);
</span><span>Array</span><span>
(
[When] </span>=> 0<span>
[I] </span>=> 5<span>
[am] </span>=> 7<span>
[down] </span>=> 10<span>
[and] </span>=> 15<span>
[oh] </span>=> 20<span>
[my] </span>=> 23<span>
[soul] </span>=> 26<span>
[so] </span>=> 32<span>
[weary] </span>=> 35<span>
[troubles] </span>=> 46<span>
[come] </span>=> 55<span>
[heart] </span>=> 67
...<span>
)</span>
3. similar_text
这是除了levenshtein()函数之外另一个计算两个字符串相似度的函数：
int <span>similar_text</span> ( <span>string</span> <span>$first</span> , <span>string</span> <span>$second</span> [, <span>float</span> &<span>$percent</span> ] )
<span>$t1</span> = "You raise me up, so I can stand on mountains"<span>; </span><span>$t2</span> = "You raise me up, to walk on stormy seas"<span>; </span><span>$percent</span> = 0<span>; </span><span>echo</span> <span>similar_text</span>(<span>$t1</span>, <span>$t2</span>, <span>$percent</span>).<span>PHP_EOL</span>;<span>//</span><span>26</span> <span>echo</span> <span>$percent</span>;<span>//</span><span> 62.650602409639</span>
撇开具体的使用不谈，我很好奇底层对于字符串的相似度是如何定义的。
Similar_text函数实现位于 ext/standard/string.c 中，摘取其关键代码：
PHP_FUNCTION(similar_text){
char *t1, *t2;
zval **percent = NULL;
int ac = ZEND_NUM_ARGS();
int sim;
int t1_len, t2_len;
/* 参数解析 */
if (zend_parse_parameters(ZEND_NUM_ARGS() TSRMLS_CC, "ss|Z", &t1, &t1_len, &t2, &t2_len, &percent) == FAILURE) {
return;
}
/* set percent to double type */
if (ac > 2) {
convert_to_double_ex(percent);
}
/* t1_len == 0 && t2_len == 0 */
if (t1_len + t2_len == 0) {
if (ac > 2) {
Z_DVAL_PP(percent) = 0;
}
RETURN_LONG(0);
}
/* 计算字符串相同个数 */
sim = php_similar_char(t1, t1_len, t2, t2_len);
/* 相似百分比 */
if (ac > 2) {
Z_DVAL_PP(percent) = sim * 200.0 / (t1_len + t2_len);
}
RETURN_LONG(sim);
}
可以看出，字符串相似个数是通过 php_similar_char 函数实现的，而相似百分比则是通过公式：
percent = sim * <span>200</span> / (t1串长度 + t2串长度)
来定义的。
php_similar_char的具体实现：
static int php_similar_char(const char *txt1, int len1, const char *txt2, int len2)
{
int sum;
int pos1 = 0, pos2 = 0, max;
php_similar_str(txt1, len1, txt2, len2, &pos1, &pos2, &max);
if ((sum = max)) {
if (pos1 && pos2) {
sum += php_similar_char(txt1, pos1,txt2, pos2);
}
if ((pos1 + max < len1) && (pos2 + max < len2)) {
sum += php_similar_char(txt1 + pos1 + max, len1 - pos1 - max,txt2 + pos2 + max, len2 - pos2 - max);
}
}
return sum;
}
这个函数通过调用php_similar_str来完成字符串相似个数的统计，而php_similar_str返回字符串s1与字符串s2的最长相同字符串长度：
static void php_similar_str(const char *txt1, int len1, const char *txt2, int len2, int *pos1, int *pos2, int *max)
{
char *p, *q;
char *end1 = (char *) txt1 + len1;
char *end2 = (char *) txt2 + len2;
int l;
*max = 0;
/* 查找最长串 */
for (p = (char *) txt1; p < end1; p++) {
for (q = (char *) txt2; q < end2; q++) {
for (l = 0; (p + l < end1) && (q + l < end2) && (p[l] == q[l]); l++);
if (l > *max) {
*max = l;
*pos1 = p - txt1;
*pos2 = q - txt2;
}
}
}
}
php_similar_str匹配完成之后，原始的串被划分为三个部分：
第一部分是最长串的左边部分，这一部分含有相似串，但是却不是最长的；
第二部分是最长相似串部分；
第三部分是最长串的右边部分，与第一部分相似，这一部分含有相似串，但是也不是最长的。因而要递归对第一部分和第三部分求相似串的长度：
/* 最长的串左边部分相似串 */
if (pos1 && pos2) {
sum += php_similar_char(txt1, pos1,txt2, pos2);
}
/* 右半部分相似串 */
if ((pos1 + max < len1) && (pos2 + max < len2)) {
sum += php_similar_char(txt1 + pos1 + max, len1 - pos1 - max, txt2 + pos2 + max, len2 - pos2 - max);
}
匹配的过程如下图所示：
对于字符串函数的更多解释，可以参考PHP的在线手册，这里不再一一列举。
三、多字节字符串
迄今为止，我们讨论的所有的字符串和相关操作函数都是单字节的。然而这个世界是如此的丰富多彩，就好比有红瓤的西瓜也有黄瓤的西瓜一样，字符串也不例外。如我们常用的中文汉字在GBK编码的情况下，实际上是使用两个字节来编码的。多字节字符串不仅仅局限于中文汉字，还包括日文，韩文等等多个国家的文字。正因为如此，对于多字节字符串的处理显得异常重要。
字符和字符集是编程过程中不可避免总是要遇到的术语。如果有童鞋对于这一块的内容并不是特别清晰，建议移步《编码大事1字符编码基础-字符和字符集，》
由于我们日常中使用较多的是中文，因而我们以中文字符串截取为例， 重点研究中文字符串的问题。
中文字符串的截取
中文字符串截取一直是个相对来说比较麻烦的问题，原因在于：
（1） PHP原生的substr函数只支持单字节字符串的截取，对于多字节的字符串略显无力
（2） PHP的扩展mbstring需要服务器的支持，事实上，很多开发环境中并没有开启mbstring扩展，对于习惯使用mbstring扩展的童鞋非常遗憾。
（3） 一个更为复杂的问题是，在UTF-8编码的情况下，虽然中文是3个字节的，但是中文的某些特殊字符（如脱字符·）实际上是双字节编码的。这无疑加大了中文字符串截取的难度（毕竟，中文字符串中不可能完全不包含特殊字符）。
头疼之余，还是要自己撸一个中文的字符串截取的库，这个字符串截取函数应该与substr有相似的函数参数列表，而且要支持中文GBK编码和UTF-8编码情况下的截取，为了效率起见，如果服务器已经开启了mbstring扩展，那么就应该直接使用mbstring的字符串截取。
API：
<span>String</span> cnSubstr(<span>string</span> <span>$str</span>, int <span>$start</span>, int <span>$len</span>, [<span>$encode</span>=’GBK’]);<span>//</span><span>注意参数中$start, $len都是字符数而不是字节数。</span>
我们以UTF-8编码为例，来说明UTF8编码下中文的截取思路。
(1) 编码范围：
UTF-8的编码范围(utf-8使用1-6个字节编码字符，实际上只使用了1-4字节)：
1个字节：00<span>——7F 2个字节：C080——DFBF 3个字符：E08080——EFBFBF 4个字符：F0808080——F7BFBFBF</span>
据此， 可以根据第一个字节的范围确定该字符所占的字节数：
<span>$ord</span> = <span>ord</span>(<span>$str</span>{<span>$i</span><span>});
</span><span>$ord</span> < 192<span> 单字节和控制字符
</span>192 <= <span>$ord</span> < 224<span> 双字节
</span>224<= <span>$ord</span> < 240<span> 三字节
中文并没有四个字节的字符</span>
（2）$start为负的情况
if( $start < 0 ){
$start += cnStrlen_utf8( $str );
if( $start < 0 ){
$start = 0;
}
}
网上大多数字符串截取版本都没有处理$start< 0的情况，按照PHP substr的API设计，在$start <0 时，应该加上字符串的长度（多字节指字符数）。
其中cnStrlen_utf8用于获取字符串在utf8编码下的字符数：
function cnStrlen_utf8( $str ){
$len = 0;
$i = 0;
$slen = strlen( $str );
while( $i < $slen ){
$ord = ord( $str{$i} );
if( $ord < 127){
$i ++;
}else if( $ord < 224 ){
$i += 2;
}else{
$i += 3;
}
$len ++;
}
return $len;
}
因此UTF-8的截取算法为：
function cnSubstr_utf8( $str, $start, $len ){
if( $start < 0 ){
$start += cnStrlen_utf8( $str );
if( $start < 0 ){
$start = 0;
}
}
$slen = strlen( $str );
if( $len < 0 ){
$len += $slen - $start;
if($len < 0){
$len = 0;
}
}
$i = 0;
$count = 0;
/* 获取开始位置 */
while( $i < $slen && $count < $start){
$ord = ord( $str{$i} );
if( $ord < 127){
$i ++;
}else if( $ord < 224 ){
$i += 2;
}else{
$i += 3;
}
$count ++;
}
$count = 0;
$substr = '';
/* 截取$len个字符 */
while( $i < $slen && $count < $len){
$ord = ord( $str{$i} );
if( $ord < 127){
$substr .= $str{$i};
$i ++;
}else if( $ord < 224 ){
$substr .= $str{$i} . $str{$i+1};
$i += 2;
}else{
$substr .= $str{$i} . $str{$i+1} . $str{$i+2};
$i += 3;
}
$count ++;
}
return $substr;
}
而最终的cnSubstr()可以设计如下（程序还有很多优化的余地）：
function cnSubstr( $str, $start, $len, $encode = 'gbk' ){
if( extension_loaded("mbstring") ){
//echo "use mbstring";
//return mb_substr( $str, $start, $len, $encode );
}
$enc = strtolower( $encode );
switch($enc){
case 'gbk':
case 'gb2312':
return cnSubstr_gbk($str, $start, $len);
break;
case 'utf-8':
case 'utf8':
return cnSubstr_utf8($str, $start, $len);
break;
default:
//do some warning or trigger error;
}
}
简单的测试一下：
<span>$str</span> = "这是中文的字符串string,还有abs· "<span>;
</span><span>for</span>(<span>$i</span> = 0; <span>$i</span> < 10; <span>$i</span>++<span>){
</span><span>echo</span> cnSubstr( <span>$str</span>, <span>$i</span>, 3, 'utf8').<span>PHP_EOL</span><span>;
}</span>
最后贴一下ThinkPHP extend中提供的msubstr函数（这是用正则表达式做的substr）：
function msubstr($str, $start=0, $length, $charset="utf-8", $suffix=true) {
if(function_exists("mb_substr"))
$slice = mb_substr($str, $start, $length, $charset);
elseif(function_exists('iconv_substr')) {
$slice = iconv_substr($str,$start,$length,$charset);
if(false === $slice) {
$slice = '';
}
}else{
$re['utf-8'] = "/[\x01-\x7f]|[\xc2-\xdf][\x80-\xbf]|[\xe0-\xef][\x80-\xbf]{2}|[\xf0-\xff][\x80-\xbf]{3}/";
$re['gb2312'] = "/[\x01-\x7f]|[\xb0-\xf7][\xa0-\xfe]/";
$re['gbk'] = "/[\x01-\x7f]|[\x81-\xfe][\x40-\xfe]/";
$re['big5'] = "/[\x01-\x7f]|[\x81-\xfe]([\x40-\x7e]|\xa1-\xfe])/";
preg_match_all($re[$charset], $str, $match);
$slice = join("",array_slice($match[0], $start, $length));
}
return $suffix ? $slice.'...' : $slice;
}
由于文章篇幅问题，更多的问题，这里不再细说。还是那句话，有任何问题，欢迎指出。
参考文献：
- http://redisbook.com/preview/sds/다른_between_sds_and_c_string.html
- http://en.wikipedia.org/w/index.php?title=Binary-safe&redirect=no
- http://cn2.php.net/manual/en/ref.strings.php
위 내용은 내용의 측면을 포함하여 PHP 커널 탐색의 변수(7)를 소개합니다. PHP 튜토리얼에 관심이 있는 친구들에게 도움이 되기를 바랍니다.