什么是多位元組的字串操作呢？其實不少的同學可能都已經使用過了，但我們還是要從最基礎的問題說起，
一個字符占幾個位元組并不是我們表面上看到的那樣，正常情況下，一個數字或英文以及英文符號都是占用一個位元組的，但是這個世界的語言文字何其之多，特別是像中文、日文這樣的文字，往往用一個位元組裝不下，這時候就需要多位元組來解決了（多位元組一般第一個位元組是前導位元組表示當前是什么語言文字，后面的是正被的位元組編碼），比如說一個中文字在 GBK 環境是占用兩個位元組，而在 UTF-8 下則是占用三個位元組，而在最近幾年，由于 emoji 表情的出現 UTF-8MB4 又成為了主流，在表示這些 emoji 表情字符的時候，往往又會使用 UTF-8MB4 這種占用四個位元組的編碼格式來表示，
雖說位元組的不同設定能夠幫助我們展示豐富的內容，但對它的一些操作卻也帶來了麻煩，
字串操作
$str = "abc測驗一下";
echo strlen($str), PHP_EOL; // 15
strlen() 函式大家都不陌生，但是對于中文來說，它回傳的數量明顯是不對的，我們當前默認的編碼格式是 UTF-8 ，所以將一個中文當做三個英文字符來數就正好是 15 個字符長度，很明顯，這不是我們想要的結果，假設我們要截取字串的話，這個長度的計算可是很費勁的，搞不好還容易出現亂碼，
幸好在 PHP 的默認擴展中就已經為我們準備好了一組 mb_ 函式庫，專門用來處理這類多位元組字串的問題，
echo mb_strlen($str), PHP_EOL; // 7
echo mb_strlen($str, 'GB2312'), PHP_EOL; // 11
在不指定 mb_strlen() 函式的第二個引數的情況下，會按照當前檔案的默認編碼格式來進行轉換，所以我們的字串長度就在 UTF-8 的環境下正常顯示了，當然，我們也可以指定第二個引數為其它的編碼格式，比如以前常用的 GB2312 或者 GBK ，這樣回傳的字符長度就是以一個中文占兩個位元組的形式回傳長度了，
var_dump(mb_strpos($str, "測")); // int(3)
var_dump(mb_convert_case($str, MB_CASE_UPPER)); // string(15) "ABC測驗一下"
var_dump(mb_convert_case($str, MB_CASE_LOWER)); // string(15) "abc測驗一下"
var_dump(mb_substr($str, 5)); // string(6) "一下"
當然，mb_ 相關的字串操作函式是比較全面的，字符出現位置、大小寫轉換、截取字串等函式都是提供的，呼叫的引數也都和普通的字串操作函式沒什么區別，只是它們多了一個可選的指定編碼的引數，在通常的情況下，只要我們的檔案是對應的編碼格式，這個引數就不用去寫了，
當然，字串的操作函式還有很多，這里就不一一列舉了，大家可以自行查閱相關的檔案，
字串正則操作
既然說到了字串的操作，正則相關的功能也是必不可少的，我們先看下使用默認的 preg_ 相關的函式操作中文的問題，
$str = iconv('UTF-8', 'GB2312', $str);
var_dump(preg_match("/[a-z]*測驗/i", $str)); // int(0)
var_dump(preg_replace("/[a-z]*測驗/i","試試", $str)); // string(11) "abc???????"
首先我們將測驗用的字串轉換為 GB2312 的形式，就像我們獲取的外部介面可能回傳的就是 GB2312 的編碼的，這時直接使用 preg_ 相關的函式是無法正確獲得我們想要的結果的，
mb_regex_encoding('GB2312');
$pattern = iconv('UTF-8', 'GB2312', "[a-z]*測驗");
var_dump(mb_ereg($pattern, $str)); // int(1)
var_dump(mb_eregi($pattern, $str)); // int(1)
var_dump(mb_ereg_replace($pattern,"試試", $str)); // string(10) "試試???"
var_dump(mb_eregi_replace($pattern,"試試", $str)); // string(10) "試試???"
接下來我們通過 mb_ereg 相關的函式來進行正則的匹配和替換，就能正常的對不同編碼的字串進行操作了，注意，我們需要指定 mb_regex_encoding() 函式，告訴當前默認的規劃替換編碼是 GB2312 ，同時，正則規則也要轉換成對應的編碼格式，
mb_eregi 相關的函式和 mb_ereg 其實沒有本質上的區別，只是它不區分大小寫了，就像 preg 相關函式中我們寫正則時的后綴符號 i 一樣，ereg 相關的函式都是不用寫反斜杠的，在普通的函式中其實是已經被淘汰了的函式（性能沒有 preg 好，語法也有區別），大部分情況下都會直接使用 preg 相關的函式來進行操作，不過如果是牽涉到多位元組相關的問題，在 mb_ 函式庫中還是只有 ereg 這類的函式可以使用，
字串編碼轉換
就像我們之前學習過的 iconv() 函式一樣，mb_ 庫中也提供了字符編碼轉換的函式，
$phone = file_get_contents('https://tcc.taobao.com/cc/json/mobile_tel_segment.htm?tel=13888888888');
print_r($phone);
// __GetZoneResult_ = {
// mts:'1388888',
// province:'????',
// catName:'?й????',
// telString:'13888888888',
// areaVid:'30515',
// ispVid:'3236139',
// carrier:'???????'
// }
var_dump(mb_convert_encoding($phone, 'UTF-8', "GBK"));
// string(183) "__GetZoneResult_ = {
// mts:'1388888',
// province:'云南',
// catName:'中國移動',
// telString:'13888888888',
// areaVid:'30515',
// ispVid:'3236139',
// carrier:'云南移動'
// }
// "
echo mb_detect_encoding($phone, 'UTF-8,GBK'), PHP_EOL; // CP936
同樣我們還是拿這個獲取手機號資訊的公共介面測驗，它回傳的內容是 GBK 的編碼內容，我們可以通過 mb_convert_encoding() 來轉換它的編碼內容，mb_detect_encoding() 是檢測編碼格式，這里我們給了兩個引數，它會回傳符合條件的編碼內容，CP936 就是 GBK 的另一種表示（IBM在制作 code page 時將 GBK 編碼放在了第 936 頁），
HTTP 引數操作
mb_internal_encoding("UTF-8");
首先介紹一個 mb_internal_encoding() 函式，其實就是設定當前運行環境中的默認編碼規則的，如果不設定的話，就是以當前這個 php 檔案的編碼規則為默認的，大家了解一下，因為它會影響我們后面介紹的內容，
// // localhost:9991/?a=我上
var_dump(mb_http_input('GPC')); // bool(false)
var_dump(mb_http_output()); // string(5) "UTF-8"
mb_internal_encoding("CP936");
mb_parse_str($_SERVER['QUERY_STRING'], $result);
print_r($result);
// Array
// (
// [a] => 我上
// )
首先我們運行起來測驗檔案，然后用瀏覽器請求這個鏈接地址，mb_http_input() 是檢測 HTTP 輸入字符編碼，不過我測驗的結果都是回傳 false ，有了解的小伙伴可以留言說明下這個是什么情況，而 mb_http_output 則是設定檢測輸出的編碼，這個就會受到 mb_internal_encoding() 所定義的內容的影響，
另外，mb_parse_str() 是 parse_str() 函式的多位元組版，我們可以將瀏覽器的默認編碼轉換成 GBK 或者 之后再來請求，因為我們設定當前的 mb_internal_encoding() 為 CP936 了，在默認情況下，如果使用 UTF-8 的瀏覽器請求的話，這里就會報錯了，這就是 mb_internal_encoding() 對這些函式的影響，
其它屬性查看
最后，我們再來看看一些 mb_ 相關資訊屬性的內容，
var_dump(mb_language());
// string(7) "neutral"
mb_language() 函式用于獲取/設定當前的語言，它可以接收一個引數設定當前的語言資訊，主要用于編碼郵件資訊 mb_send_mail() 函式就是使用它來對郵件進行編碼，關于 mb_send_mail() 的使用大家可以自己嘗試一下，其實也是 send_mail() 函式的多位元組版，neutral 的意思是中立的，其實也是跟我們的 mb_internal_encoding() 有關，
var_dump(mb_list_encodings());
// array(86) {
// [0]=>
// string(4) "pass"
// [1]=>
// string(5) "wchar"
// [2]=>
// string(7) "byte2be"
// [3]=>
// ……
// [65]=>
// string(5) "CP936"
// ……
mb_list_encodings() 用于展示當前系統中所支持的所有語言編碼的串列，在這個串列中我們就可以看到 CP936 的身影，但是沒有 GBK 哦，記住它們倆是一個東西就好了，
var_dump(mb_get_info());
// array(14) {
// ["internal_encoding"]=>
// string(5) "UTF-8"
// ["http_output"]=>
// string(5) "UTF-8"
// ["http_output_conv_mimetypes"]=>
// string(31) "^(text/|application/xhtml\+xml)"
// ["func_overload"]=>
// int(0)
// ["func_overload_list"]=>
// string(11) "no overload"
// ["mail_charset"]=>
// string(5) "UTF-8"
// ["mail_header_encoding"]=>
// string(6) "BASE64"
// ["mail_body_encoding"]=>
// string(6) "BASE64"
// ["illegal_chars"]=>
// int(0)
// ["encoding_translation"]=>
// string(3) "Off"
// ["language"]=>
// string(7) "neutral"
// ["detect_order"]=>
// array(2) {
// [0]=>
// string(5) "ASCII"
// [1]=>
// string(5) "UTF-8"
// }
// ["substitute_character"]=>
// int(63)
// ["strict_detection"]=>
// string(3) "Off"
// }
mb_get_info() 是查看當前環境下默認的這些語言編碼的配置，比如我們熟悉的 internal_encoding 、 http_output 屬性都能在這里看到，
總結
用過的同學是不是也發現了今天文章的新姿勢了呢？沒錯，GBK 和 CP936 反而成為了今天文章的意外驚喜，這個在之前確實還真沒有注意到，其實 mb_ 相關的函式的使用已經非常普遍了，基本算是學習 PHP 的入門必備知識了，它還有很多的函式并沒有一一地列舉出來，有興趣的同學可以多多查閱官方手冊進行更加深入地學習，
測驗代碼：
[https://github.com/zhangyue0503/dev-blog/blob/master/php/202011/source/10.簡單入門PHP中的多位元組字串操作.php][https://github.com/zhangyue0503/dev-blog/blob/master/php/202011/source/10.簡單入門PHP中的多位元組字串操作.php]
參考檔案：
https://www.php.net/manual/zh/book.mbstring.php
關注公眾號：【硬核專案經理】獲取最新文章
添加微信/QQ好友：【xiaoyuezigonggong/149844827】免費得PHP、專案管理學習資料
知乎、公眾號、抖音、頭條搜索【硬核專案經理】
B站ID：482780532
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/295998.html
標籤：PHP