PHP substr 和中文字符串：为什么截取结果可能乱码？

在 PHP 中，substr() 截取字符串时，处理的是字节，不是我们通常理解的“字符”。这一区别对只包含 ASCII 字符的字符串往往不明显，因为一个 ASCII 字符通常占一个字节；但 UTF-8 编码的中文字符通常占三个字节，表情符号还可能占四个字节。按字节截取时，如果边界落在一个多字节字符的中间，结果就可能包含不完整的编码序列，显示为乱码、替换符号，或在后续处理时被拒绝。

本文说明 substr() 的行为和参数边界，演示如何按字符或用户感知的字符截取，并讨论常见误用。关键结论是：需要按字节处理二进制数据时使用 substr()；需要按 UTF-8 字符截取时考虑 mb_substr()；需要避免拆开组合字符或表情序列时，使用适合 grapheme cluster（字素簇）的处理方式。无论选择哪种函数，都要先明确输入编码、截取单位和实际安全需求。

先看一个最小示例

<?php

$text = '中文';

echo strlen($text), PHP_EOL;
echo bin2hex($text), PHP_EOL;

$part = substr($text, 0, 1);

echo bin2hex($part), PHP_EOL;
var_dump($part);

在 UTF-8 环境下，strlen('中文') 通常输出 6，因为两个汉字各占三个字节。bin2hex() 会显示底层字节；常见 UTF-8 编码下，结果为 e4b8ade69687。而 substr($text, 0, 1) 只取第一个字节，得到 e4，它不是一个完整的 UTF-8 字符。

这个结果不一定在所有终端或程序里都以同一种方式呈现。有的环境显示乱码，有的显示替代字符，有的函数会报告编码错误；也有程序把字符串当作原始字节继续处理。问题不在于 substr() 随机破坏了数据，而在于调用者要求它按一个字节截取，截取位置却落在了多字节字符内部。

`substr()` 的单位是字节

substr() 的常用形式是：

<?php

substr(string $string, int $offset, ?int $length = null): string

其中，$offset 和 $length 都以字节为单位。PHP 字符串本质上是一段字节序列，字符串本身并不自动记录“每个用户可见字符占多少字节”。substr() 因此可以处理任意字节内容，适用于二进制字符串，也适用于明确需要按字节切片的场景。

对英文 ASCII 文本来说，字节数和字符数通常相同，所以代码看起来像是在按字符操作。换成 UTF-8 中文、带重音符号的文字或表情符号，这个假设就不成立了。

<?php

$text = 'A中🙂';

echo strlen($text), PHP_EOL;       // UTF-8 下通常为 8：A 占 1，中占 3，🙂 占 4
echo substr($text, 0, 1), PHP_EOL; // A：这一段恰好完整
echo bin2hex(substr($text, 1, 3)), PHP_EOL; // 中的三个字节
echo bin2hex(substr($text, 1, 1)), PHP_EOL; // 只取到多字节字符的一部分

strlen() 同样返回字节数，而不是中文字符数。若要在 UTF-8 文本中统计字符数量，通常使用 mb_strlen()，并确保输入确实是预期编码。

按 UTF-8 字符截取：使用 `mb_substr()`

处理多字节文本时，常见选择是 PHP 的多字节字符串扩展（mbstring）提供的 mb_substr()：

<?php

$text = 'PHP 处理中文';

echo mb_strlen($text, 'UTF-8'), PHP_EOL;
echo mb_substr($text, 0, 5, 'UTF-8'), PHP_EOL;

在这里，mb_substr() 的起始位置和长度按指定编码中的字符计数，不是按字节计数。上例的长度参数是 5，表示取前五个字符；它不会因为中文字符在 UTF-8 中占用三个字节，就把中文拆成字节片段。

mb_substr() 需要 mbstring 扩展。可以用下面的代码检查当前运行环境是否提供该函数：

<?php

if (!function_exists('mb_substr')) {
    throw new RuntimeException('当前 PHP 环境没有启用 mbstring 扩展');
}

$text = '天气不错';
$firstTwo = mb_substr($text, 0, 2, 'UTF-8');

echo $firstTwo;

在项目中不要只在开发机上确认扩展可用；也要检查生产环境、测试环境和命令行环境的 PHP 配置。若运行环境缺少扩展，应明确决定部署依赖或采用其他实现，而不是静默退回到按字节截取的 substr()。

编码参数也值得明确写出。省略 mb_substr() 的编码参数时，函数会使用 mbstring 的内部编码设置；该设置可以受程序配置影响。项目若约定文本统一为 UTF-8，显式传入 'UTF-8' 通常更易读，也更不依赖环境配置。但传入编码名称并不会自动把任意输入转换成 UTF-8：调用方仍须确认字符串实际编码与参数相符。

<?php

$input = '你好，PHP';

// 假设 $input 确实是 UTF-8。
$preview = mb_substr($input, 0, 3, 'UTF-8');

echo $preview;

字符不总等于屏幕上看到的一个符号

mb_substr() 能避免在多字节编码字符的字节中间切开，但它处理的“字符”仍不一定等同于用户眼里一个完整的符号。Unicode 中，有些看起来是一个字形的内容由多个码点组成，例如基本字母加组合附加符号；某些 emoji 也由多个码点通过连接符组合而成。按码点截取，仍可能把这些组合拆开。

因此，讨论“截取字符”时要先问清楚需求：

按字节：适合二进制数据、协议字段或明确规定字节长度的内容。可使用 substr()，并自行遵守数据格式要求。
按编码字符或码点：适合多数普通文本截取，UTF-8 文本通常使用 mb_substr()。
按用户感知的字素簇：适合需要尽量保留一个完整视觉符号的文本界面，例如 emoji 预览、字符计数器等。可以考虑 grapheme_substr()。

grapheme_substr() 由 PHP 的 intl 扩展提供，按字素簇处理字符串。它适用于有此类需求且环境启用了 intl 的项目；它并不是所有截断问题的通用替代品，也不能代替对输入编码和错误数据的校验。

<?php

if (!function_exists('grapheme_substr')) {
    throw new RuntimeException('当前 PHP 环境没有启用 intl 扩展');
}

$text = '示例🙂文本';
$preview = grapheme_substr($text, 0, 3);

if ($preview === false) {
    throw new RuntimeException('无法按字素簇截取字符串');
}

echo $preview;

grapheme_substr() 在失败时可能返回 false，调用方应按接口约定处理结果。它的可用性依赖 intl 扩展和相应的国际化库环境；部署前应在目标 PHP 环境验证。若功能只要求避免拆开 UTF-8 编码字符，通常没有必要为了所有场景都改用字素簇处理。

`substr()` 的负数参数意味着什么

substr() 的参数边界常见误解是把负数当成“非法输入”。负数在函数中有明确含义，但仍然按字节计算：

$offset 为负数时，起点从字符串末尾向前计算。
$length 为负数时，表示从起点截取到字符串末尾之前指定字节数的位置。
省略 $length 或传入 null 时，截取到字符串末尾。

<?php

$text = 'abcdef';

echo substr($text, -2), PHP_EOL;       // ef
echo substr($text, 1, 3), PHP_EOL;     // bcd
echo substr($text, 1, -2), PHP_EOL;    // bcd
echo substr($text, 20), PHP_EOL;       // 空字符串

这里示例使用 ASCII，因而字节和可见字符恰好一致。换成 UTF-8 字符串，负偏移和负长度仍然从字节末尾计算，不能因为从末尾截取就假定边界自动落在字符边界上。若需要按字符从末尾取内容，应选用多字节函数并按对应语义处理。

在现代 PHP 中，substr() 的参数类型由函数签名约束。调用时应传入字符串、整数或允许的 null 长度，不要依赖 PHP 对错误类型的隐式转换。边界行为和类型错误也不应靠猜测处理；对特殊输入应查阅所部署 PHP 版本的官方手册并编写测试。

如何选择正确的函数

可以先明确字符串的用途和长度单位，再决定实现：

内容是二进制数据，长度规则以字节定义：使用 substr()。例如从已验证的二进制缓冲区中取固定字节段。
内容是 UTF-8 文本，长度规则以字符计数：使用 mb_substr($text, $start, $length, 'UTF-8')，并确保 mbstring 可用。
内容要在界面上截成若干完整视觉符号：评估 grapheme_substr()，并确保 intl 可用；同时考虑具体语言和产品的截断规则。
长度限制由外部系统按字节规定：必须满足字节上限，但又不能产生无效文本时，应在遵守字节预算的基础上选取完整编码字符，而不是直接把文本按字符长度限制。还要确认服务端、数据库或协议对编码和长度的定义。

下面是一个按 UTF-8 字符截取并添加省略号的简单示例。它依赖 mbstring，并假定输入是有效的 UTF-8 文本：

<?php

function shortenUtf8(string $text, int $limit): string
{
    if ($limit < 0) {
        throw new InvalidArgumentException('长度不能为负数');
    }

    if (!function_exists('mb_substr')) {
        throw new RuntimeException('需要启用 mbstring 扩展');
    }

    if (mb_strlen($text, 'UTF-8') <= $limit) {
        return $text;
    }

    return mb_substr($text, 0, $limit, 'UTF-8') . '…';
}

echo shortenUtf8('PHP 字符串处理', 6);

这个函数把参数定义为“最多保留多少个 UTF-8 字符”，不包括追加的省略号；它不负责验证输入是否为合法 UTF-8，也不负责按字节限制输出。真实项目应在接口文档中说明限制单位，并按需要补上输入校验、错误处理和对负数上限的业务定义。

按字节上限截断 UTF-8 文本

有时外部系统确实限制字节数，例如某个字段最多允许固定字节长度。此时单纯使用 mb_substr() 截取固定数量的字符，不能保证结果不超过指定字节数，因为每个字符占用的字节数不同。反过来直接 substr() 到字节上限，又可能切开 UTF-8 字符。

一种实用做法是逐个取得字符，累计其 UTF-8 字节长度，只在完整字符仍能放入预算时加入结果。下面示例使用 mbstring，并假设输入为有效 UTF-8；当剩余空间不足以容纳下一个字符时停止：

<?php

function truncateUtf8ToBytes(string $text, int $maxBytes): string
{
    if ($maxBytes < 0) {
        throw new InvalidArgumentException('字节上限不能为负数');
    }

    if (!function_exists('mb_substr')) {
        throw new RuntimeException('需要启用 mbstring 扩展');
    }

    $result = '';
    $usedBytes = 0;
    $charCount = mb_strlen($text, 'UTF-8');

    for ($i = 0; $i < $charCount; $i++) {
        $char = mb_substr($text, $i, 1, 'UTF-8');
        $charBytes = strlen($char);

        if ($usedBytes + $charBytes > $maxBytes) {
            break;
        }

        $result .= $char;
        $usedBytes += $charBytes;
    }

    return $result;
}

$text = 'A中文🙂';
$cut = truncateUtf8ToBytes($text, 7);

echo $cut, PHP_EOL;
echo strlen($cut), PHP_EOL;

这一实现清晰但会逐字符拼接；对于非常长的文本或高频调用，应根据性能要求选择经过验证的实现，并避免在循环中重复做昂贵的工作。它按 UTF-8 编码字符计数，不保证保留完整的字素簇；如果一个用户感知符号包含多个码点，可能仍会在该符号的组成部分之间停止。字节限制究竟包含还是不包含附加内容、尾部标记或终止字节，也要以目标系统的规范为准。

常见错误及其原因

错误一：把 `strlen()` 的结果当成中文字符数

<?php

$text = '你好';

echo strlen($text);          // UTF-8 下通常是 6 字节
echo mb_strlen($text, 'UTF-8'); // 2 个编码字符

用于数据库字段字节限制时，strlen() 可能正是需要的单位；用于界面显示的字符计数时，则往往不是。函数本身没有错，问题在于把字节长度解释成用户看到的字符数。

错误二：用 `substr()` 做标题、昵称或摘要截断

例如 substr($title, 0, 20) 只代表取前 20 个字节。如果标题含有中文，输出既可能少于预期字符，也可能截断一个 UTF-8 序列。显示文本通常应使用 mb_substr()，若要求完整视觉符号则评估字素簇处理。

错误三：以为 `mb_substr()` 会自动识别所有输入编码

多字节函数依赖编码参数或其内部编码设置。若字符串实际编码与传入编码不一致，结果可能不符合预期；如果输入本身已经是乱码或编码不合法，改用 mb_substr() 也不会自动修复它。应在数据进入系统时明确编码，必要时先做检测或转换，并为异常输入定义处理方式。

错误四：把“字符安全”当成“输入已验证”

按字符截取可以避免某些多字节边界问题，但不等同于验证字符串合法、可信或符合业务规则。截取前后仍可能需要检查编码、允许的字符范围、长度上限和格式。对于不可信输入，不应因为调用了多字节函数就跳过校验。

错误五：截断后直接输出到 HTML，认为乱码问题解决了就安全

文本截取和 HTML 安全编码是两件不同的事。即使截取结果是有效 UTF-8，也可能包含 HTML 特殊字符或用户输入的标记。输出到 HTML 文本节点时，通常要使用与输出上下文相符的转义方式，例如：

<?php

$title = '用户输入的 <标题>';
$preview = mb_substr($title, 0, 20, 'UTF-8');

echo htmlspecialchars(
    $preview,
    ENT_QUOTES | ENT_SUBSTITUTE,
    'UTF-8'
);

htmlspecialchars() 用于 HTML 输出编码，不是截取函数，也不能代替 JavaScript、URL、CSS 等其他上下文所需的编码策略。不要用截取或删除字符来代替正确的输出转义。

截取不是通用的安全措施

截短输入可以实现界面展示、字段长度控制或降低某些资源消耗，但它不能作为 SQL 注入防护、XSS 防护、命令注入防护或身份校验。需要防止 SQL 注入时，应使用参数化查询；输出到 HTML 时，应按上下文正确转义；处理文件名、路径或命令参数时，应按对应规则验证和传递数据。

同样，不能把“截断到固定字节数”直接当作所有数据库字段的长度规则。数据库列可能按字符数、字节数或特定编码定义容量，索引还可能有独立限制。应用层与数据库层应使用一致、经过确认的单位。若字段按字符限制，用字符数校验；若接口按字节限制，用字节数校验，并同时保证编码边界有效。

对于签名、哈希、协议报文、加密数据等内容，任意截断可能改变数据含义或导致验证失败。这些内容必须严格按照对应格式和协议处理，不能为了解决显示乱码而改变原始字节。只有在确认数据是文本，并且了解上下游对编码和长度的约定后，才适合使用文本截断逻辑。

如何检查问题发生在哪一层

遇到乱码时，可以先把问题拆成几个可验证的环节，而不是立刻更换函数：

确认输入字节：用 bin2hex() 或可靠的日志方式检查原始数据，确认它实际使用什么编码。不要仅凭编辑器里看起来正常就判断。
确认截取单位：检查是否在多字节文本上调用了 substr()，以及偏移和长度是否按字节设计。
确认截取结果：对比 strlen()、mb_strlen() 和十六进制内容，判断结果是否包含不完整编码序列。
确认输出环节：检查 HTTP 响应、终端、模板、数据库连接等环节的字符集设置。截取正确并不保证后续显示环境配置正确。
确认需求单位：决定业务限制是字节、码点还是用户感知符号，再选择相应函数和测试。

下面示例把几种常见度量并列显示。运行前需要 mbstring；字符串按 UTF-8 编写：

<?php

$text = 'PHP中文🙂';

echo '字节数：', strlen($text), PHP_EOL;
echo '编码字符数：', mb_strlen($text, 'UTF-8'), PHP_EOL;
echo '按字节取前 5 字节：', bin2hex(substr($text, 0, 5)), PHP_EOL;
echo '按字符取前 5 个字符：', mb_substr($text, 0, 5, 'UTF-8'), PHP_EOL;

实用决策清单

处理二进制数据或明确的字节段：用 substr()，按字节校验偏移和长度。
处理 UTF-8 普通文本的字符截取：用 mb_substr()，明确编码，并确认 mbstring 已启用。
需要保留完整的组合符号或 emoji：评估 grapheme_substr()，检查 intl 可用性和失败返回值。
限制来自协议、存储或接口：先查清限制按字节、码点、字符还是其他单位定义，再实现对应规则。
面对不可信文本：单独做输入校验和上下文相关的输出编码；截取不能代替安全控制。
要修复乱码：检查输入编码、切片边界和输出环境；不要把编码不匹配归咎于某一个函数。

总结

substr() 按字节截取字符串，这对二进制数据是有用且明确的行为；但对 UTF-8 中文文本来说，一个字节并不等于一个字符，因此在多字节编码字符中间截取时，结果可能变成无效文本并表现为乱码。按 UTF-8 字符截取时，优先考虑 mb_substr()；需要照顾用户感知的组合字符时，再考虑 grapheme_substr()。

最重要的是把需求说清楚：代码中的偏移和长度究竟按字节、编码字符还是字素簇计算？输入是否确实采用预期编码？上限由显示需求、数据库还是协议决定？回答这些问题后，选择函数和验证边界才会可靠。最后还要记住，正确截取只解决边界问题，不负责修复错误编码，也不代替输入验证、数据库参数化或输出转义。

企业微信教程 # php substr

文章版权归作者所有，未经允许请勿转载。

PHP substr 和中文字符串：为什么截取结果可能乱码？

PHP substr 和中文字符串：为什么截取结果可能乱码？

先看一个最小示例

`substr()` 的单位是字节

按 UTF-8 字符截取：使用 `mb_substr()`

字符不总等于屏幕上看到的一个符号

`substr()` 的负数参数意味着什么

如何选择正确的函数

按字节上限截断 UTF-8 文本

常见错误及其原因

错误一：把 `strlen()` 的结果当成中文字符数

错误二：用 `substr()` 做标题、昵称或摘要截断

错误三：以为 `mb_substr()` 会自动识别所有输入编码

错误四：把“字符安全”当成“输入已验证”

错误五：截断后直接输出到 HTML，认为乱码问题解决了就安全

截取不是通用的安全措施

如何检查问题发生在哪一层

实用决策清单

总结

PHP substr 的参数说明：起始位置、长度与负数用法

从一段简单的 c 源码开始：编写、编译并运行你的第一个程序

相关文章

探索水瓶座的独特性格特征：创新、独立与人道主义精神的完美结合 (搜索水瓶座的)

PHP源码下载与部署：从解压文件到成功访问

金牛座出生日期范围：4月21日 – 5月20日 (金牛座出生日期范围：4月21日 – 5月20日)

探索配对星座的宇宙：了解你的爱情兼容性和命运之旅 (探索配对星座的软件)

热门网址

网址

最新资讯

PHP substr 和中文字符串：为什么截取结果可能乱码？

PHP substr 和中文字符串：为什么截取结果可能乱码？

先看一个最小示例

substr() 的单位是字节

按 UTF-8 字符截取：使用 mb_substr()

字符不总等于屏幕上看到的一个符号

substr() 的负数参数意味着什么

如何选择正确的函数

按字节上限截断 UTF-8 文本

常见错误及其原因

错误一：把 strlen() 的结果当成中文字符数

错误二：用 substr() 做标题、昵称或摘要截断

错误三：以为 mb_substr() 会自动识别所有输入编码

错误四：把“字符安全”当成“输入已验证”

错误五：截断后直接输出到 HTML，认为乱码问题解决了就安全

截取不是通用的安全措施

如何检查问题发生在哪一层

实用决策清单

总结

PHP substr 的参数说明：起始位置、长度与负数用法

从一段简单的 c 源码开始：编写、编译并运行你的第一个程序

相关文章

探索水瓶座的独特性格特征：创新、独立与人道主义精神的完美结合 (搜索水瓶座的)

PHP源码下载与部署：从解压文件到成功访问

金牛座出生日期范围：4月21日 – 5月20日 (金牛座出生日期范围：4月21日 – 5月20日)

探索配对星座的宇宙：了解你的爱情兼容性和命运之旅 (探索配对星座的软件)

热门网址

网址

最新资讯

标签云

`substr()` 的单位是字节

按 UTF-8 字符截取：使用 `mb_substr()`

`substr()` 的负数参数意味着什么

错误一：把 `strlen()` 的结果当成中文字符数

错误二：用 `substr()` 做标题、昵称或摘要截断

错误三：以为 `mb_substr()` 会自动识别所有输入编码