PHP8.1字符串截取怎么避免乱码

前言

先说清楚版本问题：标题里的「PHP 8.1」和这个问题的成因没有直接关系。字符串截取乱码是字符编码问题，substr()按字节切、mb_substr()按字符切这件事，从 mbstring 扩展存在的第一天起就是如此，PHP 8.1 并没有为字符串截取引入任何新函数。本文按"与版本无关、函数引入版本逐个标注"的方式写，PHP 7.4 / 8.x 全部适用。

典型的翻车现场是这样的：列表页要显示中文标题的前 20 个字符，开发者写了substr($title, 0, 20)，本地用英文标题测试一切正常，上线后遇到中文标题，页面上多出一个黑底问号�；更隐蔽的是接口场景——json_encode()遇到非法 UTF-8 字节会直接返回false，整个响应体变成空字符串。

根因在 UTF-8 的编码结构上。UTF-8 是变长编码：ASCII 字符占 1 字节，汉字占 3 字节，emoji 占 4 字节。substr()的参数单位是字节，它不理解"一个字符由多个字节组成"，从中间切开就会留下一个孤立的字节碎片，而后续所有环节都会在这个碎片上出问题。

本文按"定位问题、选函数、处理边界"三步讲，覆盖按字数、按字节、按显示宽度、HTML 安全截取和 emoji 处理。

一、为什么会乱码：字节切与字符切

1.1 两种切法对比

<?php // substr-vs-mb.php —— PHP 7.4+（所有示例均适用） declare(strict_types=1); $text = '中文测试'; $byBytes = substr($text, 0, 4); // 按字节切 4 个 $byChars = mb_substr($text, 0, 2, 'UTF-8'); // 按字符切 2 个 printf("substr : %s | hex=%s | strlen=%d\n", $byBytes, bin2hex($byBytes), strlen($byBytes)); printf("mb_substr : %s | hex=%s | strlen=%d\n", $byChars, bin2hex($byChars), strlen($byChars)); printf("mb_strlen : %d\n", mb_strlen($text, 'UTF-8')); printf("strlen : %d\n", strlen($text)); printf("json_encode(substr) 结果: %s\n", var_export(json_encode($byBytes, JSON_UNESCAPED_UNICODE), true)); printf("json_encode(mb_substr) 结果: %s\n", var_export(json_encode($byChars, JSON_UNESCAPED_UNICODE), true));

输出：

substr : 中 | hex=e4b8ade6 | strlen=4 mb_substr : 中文 | hex=e4b8ade69687 | strlen=6 mb_strlen : 4 strlen : 12 json_encode(substr) 结果: false json_encode(mb_substr) 结果: '"中文"'

对照着看就很清楚了：

• 
  
• substr($text, 0, 4)拿到 4 个字节e4 b8 ad e6。前 3 字节构成"中"，第 4 字节e6是"文"的首字节，单独出现时是非法序列，终端只能显示成�。
• 
  
• mb_substr($text, 0, 2, 'UTF-8')拿到完整的"中文"，共 6 字节，每一段都是合法 UTF-8。
• 
  
• json_encode()对非法 UTF-8 直接返回false，不抛异常也不返回空串——这是接口突然"返回空白"却看不到报错的最常见原因。
• 
  
  

1.2 函数选择速查

不同的业务约束要用不同的函数，选错的后果和用substr()一样严重：

最容易被忽略的是mb_strcut()。它的参数和mb_substr()长得一样，但第二个参数是字节数。它从前往后累加字节，一旦加上下一个字符会超限就停住，因此结果永远不超过指定字节数，也永远不会切断字符。处理VARCHAR(30)这种按字节计数的列时，它是唯一正确的工具。

1.3 让编码参数不再靠猜

mb_*系列函数的最后一个参数是编码。不传时 PHP 会去读 ini 里的默认编码（default_charset从 PHP 5.6 起默认就是UTF-8）。

依赖默认值最大的风险是环境不一致：CLI 的default_charset是 UTF-8，但某个老项目的php.ini里被改成了GBK，同一份代码在两台机器上表现不同。稳妥做法是在应用入口处统一声明：

<?php // bootstrap.php —— 在框架引导文件或公共入口的最前面调用 declare(strict_types=1); mb_internal_encoding('UTF-8'); mb_regex_encoding('UTF-8');

更保险的做法是每个mb_*调用都显式写出'UTF-8'。多敲几个字，换来的是不依赖任何 ini 配置的确定性。

二、实战：五种截取场景

2.1 按字数截取并加省略号

最基础的需求：标题最多显示 20 个字，超出就加省略号。注意省略号本身也占字数，要在预算里扣掉：

<?php // truncate-by-chars.php —— PHP 7.4+ declare(strict_types=1); mb_internal_encoding('UTF-8'); function truncateByChars(string $text, int $maxChars, string $ellipsis = '…'): string { // 没超出预算时不要加省略号，这个判断必须放在函数内部 if ($maxChars <= 0) { return ''; } if (mb_strlen($text, 'UTF-8') <= $maxChars) { return $text; } $ellipsisLen = mb_strlen($ellipsis, 'UTF-8'); if ($ellipsisLen >= $maxChars) { return mb_substr($text, 0, $maxChars, 'UTF-8'); } return mb_substr($text, 0, $maxChars - $ellipsisLen, 'UTF-8') . $ellipsis; } $title = 'PHP 多字节字符串处理的常见误区与最佳实践'; // 共 22 个字符 foreach ([6, 10, 30] as $n) { $out = truncateByChars($title, $n); printf("%2d 字 -> %s (实际 %d 字)\n", $n, $out, mb_strlen($out, 'UTF-8')); }

输出：

6 字 -> PHP 多… (实际 6 字) 10 字 -> PHP 多字节字符… (实际 10 字) 30 字 -> PHP 多字节字符串处理的常见误区与最佳实践 (实际 22 字)

2.2 按字节截取并保证不切断字符

当目标是一个有字节长度上限的数据库列或者定长协议字段时，约束是字节数而不是字数。这时用mb_strcut()：

<?php // truncate-by-bytes.php —— PHP 7.4+ declare(strict_types=1); mb_internal_encoding('UTF-8'); $title = '从零开始学习 PHP 多字节字符串处理与编码校验'; $limit = 30; // 目标列 VARCHAR(30) $cut = mb_strcut($title, 0, $limit, 'UTF-8'); $naive = substr($title, 0, $limit); printf("原文 : %s (strlen=%d)\n", $title, strlen($title)); printf("mb_strcut : %s (strlen=%d, 合法 UTF-8: %s)\n", $cut, strlen($cut), mb_check_encoding($cut, 'UTF-8') ? '是' : '否'); printf("substr : %s (strlen=%d, 合法 UTF-8: %s)\n", $naive, strlen($naive), mb_check_encoding($naive, 'UTF-8') ? '是' : '否');

输出：

原文 : 从零开始学习 PHP 多字节字符串处理与编码校验 (strlen=62) mb_strcut : 从零开始学习 PHP 多字 (strlen=29, 合法 UTF-8: 是) substr : 从零开始学习 PHP 多字 (strlen=30, 合法 UTF-8: 否)

mb_strcut()的结果是 29 字节——第 30 个字节正好落在"节"字中间，它退回到上一个完整字符边界，宁可少 1 字节。而substr()硬切出 30 字节后末尾留下一段孤立的 UTF-8 首字节，mb_check_encoding()立刻判定为非法。

2.3 按显示宽度截取

mb_strimwidth()的宽度单位不是字符也不是字节，而是半角宽度：ASCII 字符算 1，汉字和全角标点算 2。所以$width = 20实际只能装下 10 个汉字。用它来做表格对齐或者终端输出很合适，但把它当"字符数"用就会截得比预期短一半：

<?php // strimwidth.php —— PHP 7.4+ declare(strict_types=1); mb_internal_encoding('UTF-8'); $text = '这是一个较长的中文标题用于演示截断'; // width=20 表示 20 个半角宽度，即 10 个汉字 // 带省略号标记时，标记本身的宽度也计入 20 之内 echo mb_strimwidth($text, 0, 20, '...', 'UTF-8'), PHP_EOL; echo mb_strimwidth('abcdefghijklmnopqrstuvwxyz', 0, 20, '...', 'UTF-8'), PHP_EOL; // 不带标记：此时 20 的宽度可以全部用来装字符 printf("汉字模式字符数: %d\n", mb_strlen(mb_strimwidth($text, 0, 20, '', 'UTF-8'), 'UTF-8')); printf("ASCII 模式字符数: %d\n", mb_strlen(mb_strimwidth('abcdefghijklmnopqrstuvwxyz', 0, 20, '', 'UTF-8'), 'UTF-8'));

输出：

这是一个较长的中... abcdefghijklmnopq... 汉字模式字符数: 10 ASCII 模式字符数: 20

这里有两层"宽度不是字符数"的陷阱叠在一起。第一层是汉字宽度为 2：不带省略号时20只能装 10 个汉字，却能装 20 个 ASCII 字符。第二层是省略号标记的宽度也算在$width之内：加上 3 个半角的...之后，汉字只剩 8 个的位置（16 + 3 = 19，再加一个汉字就超了）。另外它的$start参数同样以半角宽度计，不是字符下标。

2.4 HTML 安全截取

直接对 HTML 片段调用mb_substr()会产生两种破坏：一是切断了标签（剩下一个没有闭合的<strong>），二是切断了 HTML 实体（ 变成&nb，页面上直接显示这几个字符）。

<?php // html-truncate.php —— PHP 7.4+ declare(strict_types=1); mb_internal_encoding('UTF-8'); function excerpt(string $html, int $maxChars, string $ellipsis = '…'): string { // 第一步：把 HTML 实体还原成真实字符，否则 "&nbsp;" 会被当成 6 个字符计数 $plain = html_entity_decode(strip_tags($html), ENT_QUOTES | ENT_HTML5, 'UTF-8'); // 第二步：压缩空白。\x{00A0} 是 &nbsp; 解码后的不换行空格， // PCRE 的 \s 默认不匹配它，必须显式列进字符类 $plain = trim(preg_replace('/[\s\x{00A0}]+/u', ' ', $plain) ?? $plain); // 第三步：对纯文本按字符截断 if (mb_strlen($plain, 'UTF-8') <= $maxChars) { return htmlspecialchars($plain, ENT_QUOTES | ENT_HTML5, 'UTF-8'); } $cutLen = $maxChars - mb_strlen($ellipsis, 'UTF-8'); $cut = mb_substr($plain, 0, $cutLen, 'UTF-8'); return htmlspecialchars($cut . $ellipsis, ENT_QUOTES | ENT_HTML5, 'UTF-8'); } $html = '<p>PHP 的 <strong>mbstring</strong> 扩展提供了完整的多字节字符串处理能力，' . '&nbsp;&nbsp;包括长度、截取、大小写转换等等。</p>'; echo excerpt($html, 24), PHP_EOL; echo excerpt($html, 200), PHP_EOL;

输出：

PHP 的 mbstring 扩展提供了完整的… PHP 的 mbstring 扩展提供了完整的多字节字符串处理能力， 包括长度、截取、大小写转换等等。

strip_tags()必须先于截断。另外preg_replace()必须带u修饰符，否则正则按字节处理；\s默认也不匹配 U+00A0，需要单独列进字符类。

2.5 处理 emoji 与组合字符

mb_substr()的单位是码点（code point），但屏幕上显示"一个字符"的东西，可能是多个码点组成的字素簇（grapheme cluster）。最典型的是 emoji 的 ZWJ 序列——家庭主题的 emoji 由若干人像码点加零宽连接符（ZWJ，U+200D）拼成，mb_substr()切到中间会把它拆成一串互不相干的人像：

<?php // grapheme.php —— 需要 intl 扩展 declare(strict_types=1); mb_internal_encoding('UTF-8'); // 用 \u{} 转义书写，避免源码文件本身的编码影响结果 $family = "\u{1F468}\u{200D}\u{1F469}\u{200D}\u{1F467}"; // 三个人像 + 两个零宽连接符 $text = $family . ' 是一家人'; printf("字节数 strlen : %d\n", strlen($text)); printf("码点数 mb_strlen : %d\n", mb_strlen($text, 'UTF-8')); printf("字素簇 grapheme_strlen : %d\n", grapheme_strlen($text)); echo PHP_EOL; // mb_substr 按码点切：取前 3 个码点，正好是「人像 + ZWJ + 人像」 $bad = mb_substr($text, 0, 3, 'UTF-8'); printf("mb_substr(0,3) : %d 字节, 等于完整家庭 emoji: %s\n", strlen($bad), var_export($bad === $family, true)); // grapheme_substr 按字素簇切：整个 ZWJ 序列被视为 1 个字符 $good = grapheme_substr($text, 0, 1); printf("grapheme_substr : %d 字节, 等于完整家庭 emoji: %s\n", strlen($good), var_export($good === $family, true));

输出：

字节数 strlen : 31 码点数 mb_strlen : 10 字素簇 grapheme_strlen : 6 mb_substr(0,3) : 11 字节, 等于完整家庭 emoji: false grapheme_substr : 18 字节, 等于完整家庭 emoji: true

同一段文本量出三个不同的长度：31 字节（家庭 emoji 占 18 字节，空格和四个汉字占 13 字节）、10 码点（家庭 emoji 是 5 个码点，即三张人脸加两个 ZWJ）、6 字素簇（整个家庭 emoji 在 Unicode 的扩展字素簇规则下算作 1 个字符）。

mb_substr($text, 0, 3)取到 11 字节，只截出"人像 + ZWJ + 人像"，末尾的 ZWJ 失去连接对象，屏幕上是两个独立人像；grapheme_substr($text, 0, 1)拿到完整的 18 字节。

grapheme_*系列由 intl 扩展提供，需要系统里有 ICU 库。环境装不了 intl 时，退而求其次是在截断后用mb_check_encoding()校验——它能保证不产出非法 UTF-8，但保证不了 emoji 的完整性。

常见坑点

❌ 用substr()截取中文字符串 ✅ 改用mb_substr($str, $start, $len, 'UTF-8')，前提是装好 mbstring 扩展，用extension_loaded('mbstring')确认

❌ 调用mb_substr()时不传编码，指望 ini 里的默认值 ✅ 显式传'UTF-8'，或在应用入口调用mb_internal_encoding('UTF-8')固定下来

❌ 数据库列是VARCHAR(30)，却用mb_substr($s, 0, 30)去截 ✅ 字符数和字节数不是一回事，对字节上限的列要用mb_strcut($s, 0, 30, 'UTF-8')

❌ 用mb_strimwidth($s, 0, 20)以为能截 20 个汉字 ✅ 它的宽度单位是半角宽度，一个汉字算 2，20实际只能装 10 个汉字

❌ 对含 HTML 标签或实体的内容直接mb_substr()✅ 先html_entity_decode(strip_tags($html), ...)，截断后再htmlspecialchars()输出，否则 会被切成&nb显示在页面上

❌ 用strlen()判断一个中文字符串是不是超长 ✅ 要用mb_strlen($s, 'UTF-8')；strlen()返回字节数，同样内容会大 3 倍

❌ 截断后不校验就直接json_encode()返回给前端 ✅ 非法 UTF-8 会让json_encode()返回false，接口响应体变成空串且没有异常抛出；用mb_check_encoding($cut, 'UTF-8')兜底，或改用JSON_INVALID_UTF8_SUBSTITUTE选项

❌ 用mb_substr()截断 emoji ✅ ZWJ 组合序列、肤色修饰符、组合重音符号都会被切断，需要 intl 扩展的grapheme_substr()

❌ 截断时忘了省略号也要占预算，导致最终长度超限 ✅ 先在总量里扣掉省略号的长度，再截正文，并且只有在内容确实被截掉时才追加省略号

总结

字符串截取乱码的根源只有一个：字节数、码点数、显示宽度这三种"长度"被混为一谈。选函数之前先想清楚业务约束到底限制的是哪一种长度——限字数就用mb_substr()，限字节就用mb_strcut()，限宽度就用mb_strimwidth()，涉及 emoji 就上grapheme_substr()。选对之后，再补上编码显式声明和截断后校验这两道保险，这个问题基本就绝迹了。