杰拉斯的博客

PHP中获取中英文混合字符串长度

杰拉斯 杰拉斯 | 时间:2012-12-04, Tue | 35,248 views
后台技术 

今晚在写框架的表单验证类时,需要判断某个字符串长度是否在指定区间内,很自然地,想到了PHP中的strlen函数。

$str = 'Hello world!';
echo strlen($str);	// 输出12

然而在PHP自带的函数中,strlen及mb_strlen都是通过计算字符串所占字节数来计算长度的,在不同的编码情况下,中文所占的字节数是不同的。在GBK/GB2312下,中文字符占2个字节,而在UTF-8下,中文字符占3个字节。

$str = '你好,世界!';
echo strlen($str);	// GBK或GB2312下输出12,UTF-8下输出18

而我们在判断字符串长度时往往需要判断的是字符的数量,而非字符串所占字节数,如在UTF-8下的这段PHP代码:

$name = '张耕畅';
$len = strlen($name);
// 输出 FALSE,因为在UTF-8下三个中文占9个字节
if($len >= 3 && $len <= 8){
	echo 'TRUE';
}else{
	echo 'FALSE';
}

那么有什么方便而实用的方法可以获得含中文字符串的长度呢?可以用正则计算出中文字符的个数,在GBK/GB2312编码下除以2,UTF-8编码下则除以3,最后再加上非中文字符串的长度,但这样未免太过麻烦。

WordPress这么一段代码,借鉴如下:

$str = 'Hello,世界!';
preg_match_all('/./us', $str, $match);
echo count($match[0]);	// 输出9

思想是用正则表达式将字符串分割成单个字符,并直接用count计算出匹配到的字符数,便是我们想要的结果了。

但以上代码在UTF-8编码下并不能处理GBK/GB2312的中文字符串,因为GBK/GB2312的中文字符会被识别为两个字符而计算出来的中文字符数量会翻倍,于是我想到了这么一个办法:

$tmp = @iconv('gbk', 'utf-8', $str);
if(!empty($tmp)){
	$str = $tmp;
}
preg_match_all('/./us', $str, $match);
echo count($match[0]);

可兼容GBK/GB2312及UTF-8编码,经小量数据测试通过,但暂未确定是否完全正确,盼有大牛指点一二。

以上本意是为了框架可以兼容多种编码格式,但一般在日常开发中,一个项目是已经可以确定为何种编码的,因此可以使用以下函数来方便地获取字符串长度:

int iconv_strlen ( string $str [, string $charset = ini_get("iconv.internal_encoding") ] )

如需转载请注明出处:杰拉斯的博客

相关文章

10 条评论 »

  1. iconv_strlen 自身可以处理中英文混合.

    1. 本意是想能够直接兼容两种编码,因为框架不能确定用户使用的是哪种编码。。不过又发现这种方法对GBK/GB2312不适用。。或许得再增加一个配置常量= =?
      或者有没有什么更好的办法呢?

      1. 只开发UTF-8标准.

        1. 也好,统一规范之后也可以少考虑很多东西。

    2. $tmp = @iconv('gbk', 'utf-8', $str); if(!empty($tmp)){ $str = $tmp; } preg_match_all('/./us', $str, $match); echo count($match[0]);

      简单地测试了一下,貌似可以,不知可不可行?

      1. 不知道为什么一定要兼容GBK呢?

        1. 多考虑一下兼容性不好吗?

          1. 个人观点,不必要的,无论是什么发行版的Linux,默认都是UTF-8的,而且用框架的,都不会是部署什么简单APP,而且,框架对性能是有影响的,我们要尽量减少,你看Yaf都不考虑编码啦,人家还做成一个扩展呢.

  2. 博主,请问在正则表达式的定界符后面加上us有什么作用

    1. @Dawn
      请看此处~
      http://t.cn/zTjM3SW