分割gbk中文出現亂碼的問題解決，分割gbk中文亂碼

分割gbk中文出現亂碼的問題解決，分割gbk中文亂碼

近日遇到一個神奇的字“弢(tao)”。

具體的過程是這樣的：

1 $list = explode('|', 'abc弢|bc');
2 var_dump($list);

取得這個分割的結果。

和想象不同，結果居然是這樣：

array(3) {
  [0]=>
  string(4) "abc?
  [1]=>
  string(0) ""
  [2]=>
  string(2) "bc"
}

出現了亂碼，而且莫名其妙的出現了一個空元素。

究其原因，原來這個字“弢”的gbk編碼是8f7c，而|的ASCII是7c，這樣explode就把弢的第二ASCII作為|切割了。

既然是雙字節的問題，我們用mbstring解決好了。

可惜，php並沒有mb_explode這種函數，找了找，找到一個mb_split。

array mb_split ( string $pattern , string $string [, int $limit = -1 ] )

沒有聲明編碼的地方。仔細一看，他是通過mb_regex_encoding聲明編碼的。

於是寫出以下的代碼：

1 mb_regex_encoding('gbk');
2 $list = mb_split('\|', 'abc弢|bc');
3 var_dump($list);

結果php報錯，mb_regex_encoding不認識gbk，囧。

那就使用它認識的：

1 mb_regex_encoding('gb2312');
2 $list = mb_split('\|', 'abc弢|bc');
3 var_dump($list);

結果：

array(3) {
  [0]=>
  string(4) "abc?
  [1]=>
  string(0) ""
  [2]=>
  string(2) "bc"
}

發現，這種方法並沒有什麼用處。、

至於原因？“弢”這個字居然不在GB2312的編碼集裡面！！！！！但是有這個字的編碼集(GBK, GB18030)這個函數都不支持！！！！！

既然這個不好用，也許萬能的正則表達式是ok的。於是得到以下代碼：

1 var_dump(preg_match_all('/([^\|])*/', 'abc弢|bc', $matches));
2 var_dump($matches);

結果：

int(2)
array(2) {
  [0]=>
  array(2) {
    [0]=>
    string(4) "abc?
    [1]=>
    string(2) "bc"
  }
  [1]=>
  array(2) {
    [0]=>
    string(1) "?
    [1]=>
    string(1) "c"
  }
}

好吧，我想多了。

現在研究一下，如何用正則描述這個場景。

參考一下，鳥哥大神的博客：分割GBK中文遭遇亂碼的解決。遺憾的是，正則能力比較low的我，還是想不出來合適的正則表達式(如果有想出這個正則表達式的大神們，希望可以告訴我)。

沒辦法，思來想去，只好用substr了：

 1 function mb_explode($delimiter, $string, $encoding = null){
 2     $list = array();
 3     is_null($encoding) && $encoding = mb_internal_encoding();
 4     $len = mb_strlen($delimiter, $encoding);
 5     while(false !== ($idx = mb_strpos($string, $delimiter, 0, $encoding))){
 6         $list[] = mb_substr($string, 0, $idx, $encoding);
 7         $string = mb_substr($string, $idx + $len, null, $encoding);
 8     }   
 9     $list[] = $string;
10     return $list; 
11 } 

測試代碼：

1 $a = 'abc弢|bc';
2 
3 var_dump(mb_explode('|', $a, 'gbk'));
4 var_dump(mb_explode('bc', $a, 'gbk'));
5 var_dump(mb_explode('弢', $a, 'gbk'));

結果：

array(2) {
  [0]=>
  string(5) "abc弢"
  [1]=>
  string(2) "bc"
}
array(3) {
  [0]=>
  string(1) "a"
  [1]=>
  string(3) "弢|"
  [2]=>
  string(0) ""
}
array(2) {
  [0]=>
  string(3) "abc"
  [1]=>
  string(3) "|bc"
}

這樣就可以得到正確的結果了。