PHP印地文字符串长度判断技巧

PHP 中处理印地文（天城文字）字符串长度时，`strlen()` 因仅统计字节数而严重失准——如“हिन्दी”返回18而非实际的6个字符；必须使用 `mb_strlen($str, 'UTF-8')` 并确保字符串为合法 UTF-8 编码，同时警惕编码隐式依赖、混合文本切分陷阱及合字（ligature）导致的视觉字符与 Unicode 码点差异，才能真正获得准确、可靠、可落地的印地文长度判断结果。

PHP 默认的 strlen() 和 mb_strlen() 在处理印地文（Devanagari）时，必须用 UTF-8 编码 + 正确的字符编码参数，否则返回的是字节数而非真实字符数。

为什么 strlen() 算不准印地文长度

印地文字符（如 "हिन्दी"）在 UTF-8 中每个字符占 2–3 字节。strlen() 只统计字节长度，不是 Unicode 字符个数。例如：strlen("हिन्दी") 返回 18（6 个字符 × 平均 3 字节），但实际是 6 个字符。

• 必须确保字符串本身是合法 UTF-8 编码（可用 mb_check_encoding($str, 'UTF-8') 验证）
• 服务器或脚本未声明 UTF-8 时，mb_* 函数可能默认用 ISO-8859-1，导致结果错误
• 不要依赖 iconv_strlen() —— 它对 Devanagari 的支持不稳定，尤其含合字（ligature）如 "त्त" 时易漏计

用 mb_strlen() 计算印地文真实字符数

这是最可靠方式，但必须显式传入 'UTF-8' 第二个参数。PHP 7.4+ 虽支持默认内部编码，但不建议省略。

• 正确写法：mb_strlen($str, 'UTF-8')
• 错误写法：mb_strlen($str)（依赖 mb_internal_encoding()，易被框架或配置覆盖）
• 若字符串来自表单或 API，先用 mb_convert_encoding($str, 'UTF-8', 'auto') 做容错转换，避免乱码干扰计数

验证印地文是否含有效 Devanagari 字符范围

仅靠长度不够，有时需确认字符串“确实是印地文”。可借助 Unicode 区块正则：

if (preg_match('/^[\x{0900}-\x{097F}\x{0980}-\x{09FF}]+$/u', $str)) {
    // 属于天城文（印地文、梵文等）主区块
}

注意：\x{0900}-\x{097F} 是标准印地文字符区，\x{0980}-\x{09FF} 包含孟加拉文等邻近文字，按需调整。不要用 /[क-न]/u 这类简写 —— 合字、元音符号（मात्रा）、Virama（्）等不在连续区间内，会漏判。

特殊场景：含英文/数字混合的印地文字符串

比如 "हिन्दी123"，mb_strlen() 仍准确，但若要做“纯印地文字符占比”判断，需拆解：

• 用 preg_match_all('/[\x{0900}-\x{097F}]/u', $str, $matches) 提取所有天城文字符
• 避免用 str_split() 或 mb_str_split()（PHP 7.4+）直接切分 —— 某些组合字符（如 "क्‍ष"）会被错误断开
• 如需逐字符处理，优先用 grapheme_extract()（需启用 intl 扩展）或 preg_split('//u', $str, -1, PREG_SPLIT_NO_EMPTY)

印地文的合字结构和变音符号让“字符”边界比拉丁文模糊；mb_strlen() 给出的是 Unicode 码点数，不是视觉字形数（glyph count），这点在排版或输入限制场景中容易被忽略。

以上就是《PHP印地文字符串长度判断技巧》的详细内容，更多关于的资料请关注golang学习网公众号！