PHP mb_substr 怎样按字符截取多语言文本

在 PHP 中截取中文、日文或中英文混排文本，优先使用 mb_substr()，并把编码明确写成 UTF-8。它按照字符位置和字符数量工作，不是简单地从字节数组中切一段。最小写法如下：

官方手册：https://www.php.net/manual/en/function.mb-substr.php

这里的关键不是把 substr() 换成一个名字更长的函数，而是让“位置”和“长度”与读者看到的字符保持一致。mbstring 扩展就是为多字节编码字符串提供这类操作的。

mb_substr 的最小用法

mb_substr($string, $start, $length, $encoding) 的四个参数分别对应原字符串、起始位置、最多截取的字符数和字符编码。start 从 0 开始：0 表示第一个字符，2 表示第三个字符；length 以字符为单位，而不是以 UTF-8 字节为单位。

对于接口响应、数据库字段和模板输出，建议把编码显式传入。这样调用点不依赖运行环境的内部字符编码，阅读代码的人也能立刻知道这段截取按哪种编码解释。

start、length 和 encoding 怎样判断

最容易混淆的是三个边界。正数 start 从字符串开头计数，负数 start 则从字符串末尾倒数；省略 length 或传入 null 时，会从起点取到字符串末尾。长度超过剩余字符数时，不会凭空补字符，只会返回剩余部分。

编码参数不能随便填。PHP 8 起，传入无效编码会抛出 ValueError；如果输入本身不是预期编码，单纯把参数写成 UTF-8 也不会替你完成转码。

不要把 strlen 的结果当成字符长度

strlen() 返回的是字节长度，而多字节 UTF-8 文本中的一个字符可能占用多个字节。若业务条件是“最多展示 20 个字符”，判断和截取应该配套使用 mb_strlen() 与 mb_substr()。

 $limit) {
    // 这里只截取，不在函数内部偷偷追加展示符号
    $text = mb_substr($text, 0, $limit, 'UTF-8');
}

echo $text;
?>

如果数据来自文件上传、旧接口或外部字节流，先弄清数据契约，再决定是否调用 mb_convert_encoding() 转成 UTF-8。mb_detect_encoding() 可以从候选列表中做推测，但官方手册也提醒它不是绝对可靠的检测器；已知来源编码时，直接按契约处理更稳妥。

摘要和省略号的安全写法

摘要场景不要无条件在截取结果后拼接省略号，否则短文本也会变成“短文本...”。正确的边界是先按字符长度比较，只有确实超出最大展示长度时，才截取并拼接省略号。

这里选择一个省略号字符还是三个半角句点，取决于产品规范。无论选择哪种符号，都应该把它计入最终展示长度，并在接口、模板和导出任务中保持一致。

表情符号和复杂文本要留意什么

mb_substr() 解决的是多字节字符串按字符位置截取的问题，但“字符”不一定等于用户感知到的一个完整字形。某些表情符号、组合字符或带修饰符号的文字可能由多个 Unicode 单元组成。若需求是精确控制用户看到的字形簇，例如聊天气泡逐个删除表情，就要先确认业务需要的是字符位置还是字形簇边界，再选择更专门的 Unicode 文本处理方案。

另外，截取二进制内容、压缩包或未确认编码的原始字节流，不应直接套用 mb_substr()。它适合处理已经明确字符编码的文本；二进制数据应按字节协议处理，外部文本则先确认来源编码。

一份可直接套用的检查清单

• 多语言网页文本优先用 mb_substr()，不要用 substr() 代替。
• 把 encoding 显式写成数据契约中的编码，常见 UTF-8 文本就明确传入 'UTF-8'。
• 展示字符数用 mb_strlen()，不要把 strlen() 的字节数当成用户看到的长度。
• 省略号只在文本超过上限时追加，并为省略号预留长度。
• 对无效编码、未知来源字节流、表情和组合字符分别制定边界策略。

常见问题

mb_substr 的 start 是从 0 还是从 1 开始？

从 0 开始。start=0 指向第一个字符，start=1 才是第二个字符。

不写第四个参数可以吗？

可以，函数会使用 PHP 当前的内部字符编码，但在多人协作和多环境部署中，显式写出 UTF-8 更容易审查，也更不依赖运行时配置。

为什么截取后仍然显示乱码？

先检查原始输入、HTTP 头、数据库连接和页面输出是否使用同一套编码。mb_substr() 只能按指定编码处理字符串，不能修复已经被错误解码的字节。

可以用 mb_substr 处理 emoji 吗？

可以处理多字节文本，但如果产品要求按用户感知的完整表情或字形簇截取，应额外确认 Unicode 分段规则，不能只凭字符数量判断视觉边界。