在 PHP 中解析多字节字符串

Question

我想编写一个基于状态机的（HTML）解析器，但我怀疑如何实际读取/使用输入。我决定将整个输入加载到一个字符串中，然后像处理数组一样使用它，并将其索引保留为当前解析位置。

单字节编码不会有问题，但在多字节编码中每个值并不代表一个字符，而是代表一个字符的一个字节。

例子：

$mb_string = 'žščř'; //4 multi-byte characters in UTF-8

for($i=0; $i < 4; $i++)
{
   echo $mb_string[$i], PHP_EOL;
}

输出：

Ĺ
ž
Ĺ
Ą

这意味着我无法在循环中迭代字符串来检查单个字符，因为我永远不知道我是否位于字符的中间。

所以问题是：

• 如何以表演友好的方式从字符串中读取单个角色的多字节安全？
• 在这种情况下，与字符串一起工作是个好主意吗？
• 您将如何读取输入？

Answer 1

http://php.net/mb_string 就是你要找的东西

• 只是 mb_substr 字符一一对应
• 直到 PHP6
• 到底是什么输入？一般情况下常用的方式

Answer 2

mb_internal_encoding("UTF-8");

$mb_string = 'žščř';

$l=mb_strlen($mb_string);

for($i=0;$i<$l;$i++){
    print(mb_substr($mb_string,$i,1)."<br/>");
}

Answer 3

在不使用 mdb_latedFunctions 和多字节编码字符串的情况下，您可以使用标准子字符串函数来读取用于编码的多个字节。

例如，对于 UTF-8 编码（2 字节）字符串，如果您需要字符串中的第一个字符

$string = 'žščř'; //4 multi-byte characters in UTF-8

您必须获取 $string[0] 和 $string[1] 值，因此您实际上正在查找索引 0 和 1 之间的子字符串（对于第一个字符）。

请注意，$string[0] 或 $string[N] 将引用多字节字符串的第一个（或多字节字符串）

问候，