PHP substr 中文截取会乱码吗？原因与处理方法

会。substr() 按字节截取字符串，不按中文字符截取。UTF-8 中，一个汉字通常占 3 个字节；如果截取位置落在某个汉字的编码中间，结果就可能包含不完整的 UTF-8 序列，显示为乱码，或在后续处理时被判定为无效编码。

这并不意味着 substr() 有缺陷。它适用于按字节操作二进制数据，或处理明确以字节为单位的内容。需要按字符截取 UTF-8 文本时，通常应使用 mb_substr()；若要求以用户感知的字符为单位，例如不拆开组合字符或 emoji，则应考虑 grapheme_substr()。

一、为什么 substr 会截断中文

PHP 字符串本质上是一段字节序列。UTF-8 是一种变长编码：英文 ASCII 字符通常占 1 个字节，常见汉字占 3 个字节，部分其他字符占 4 个字节。substr() 不会自动识别这些字节属于哪个字符。

例如，字符串“中文”在 UTF-8 中通常占 6 个字节。如果从第 0 个字节开始截取 4 个字节，结果会包含第一个汉字的全部 3 个字节，以及第二个汉字的第 1 个字节。末尾这 1 个字节无法构成完整字符，结果就不是有效的 UTF-8 文本。

<?php
$text = '中文';
$result = substr($text, 0, 4);

var_dump($result);
var_dump(bin2hex($result));
var_dump(mb_check_encoding($result, 'UTF-8'));

这段示例需要安装并启用 mbstring 扩展，因为它调用了 mb_check_encoding()。在 UTF-8 环境中，最后一个检查结果通常是 false：截取结果不是合法的 UTF-8 字符串。具体乱码外观取决于终端、浏览器、数据库驱动和后续处理方式；有的环境会显示替代字符，有的会显示问号，也有的会拒绝处理。

需要区分两个概念：字节截取成功，不等于文本截取正确。substr() 通常只是返回指定范围内的字节，不会替你修复被截断的编码。

二、substr 的参数与边界

常见函数签名如下：

substr(string $string, int $offset, ?int $length = null): string

• $string：输入字符串。PHP 字符串可以包含任意字节，不一定是文本。
• $offset：起始位置，单位是字节。正数从字符串开头计数，负数从结尾计数。
• $length：截取长度，单位同样是字节。省略或传入 null 时，截取到末尾；正数表示长度，负数表示从结尾排除指定数量的字节。

以下示例使用英文，便于直接观察字节偏移。ASCII 英文字符在 UTF-8 中每个占 1 个字节，因此此处按字节截取恰好与按字符截取一致。

<?php
$text = 'abcdef';

echo substr($text, 2), PHP_EOL;       // cdef
echo substr($text, 2, 3), PHP_EOL;    // cde
echo substr($text, -2), PHP_EOL;      // ef
echo substr($text, 0, -2), PHP_EOL;   // abcd

负数参数容易被误解。substr($text, -2) 是从末尾倒数 2 个字节开始截取；substr($text, 0, -2) 是从开头截取到倒数 2 个字节之前。它们都不是“倒数两个字符”的通用 Unicode 操作。

边界行为也应纳入测试：

• 起始偏移超过字符串长度时，通常返回空字符串。
• 负偏移绝对值大于字符串长度时，起点会落在字符串开头附近；PHP 的具体范围规则应以目标版本的函数文档和测试为准，不能拿负数参数替代字符索引。
• 长度为 0 时，结果为空字符串。
• 负长度表示从末尾排除相应数量的字节；若计算出的结束位置早于起点，结果为空字符串。

在 PHP 8 中，传入不符合参数类型的值可能触发 TypeError，不要依赖旧代码中把任意字符串或浮点数隐式当作偏移量的行为。项目应明确传入整数，并在其支持的 PHP 版本上验证边界用例。对负数偏移和负长度，尤其要确认自己要的是字节位置，而不是字符位置。

三、按 UTF-8 字符截取：使用 mb_substr

如果业务中的“字符”指 Unicode 码点，且文本编码确定为 UTF-8，可以使用 mb_substr()。它由 PHP 的 mbstring 扩展提供，偏移量和长度按指定编码中的字符计数，而不是按字节计数。

<?php
$text = 'PHP 中文教程';

$firstFive = mb_substr($text, 0, 5, 'UTF-8');
$lastTwo = mb_substr($text, -2, null, 'UTF-8');

echo $firstFive, PHP_EOL; // PHP 中
echo $lastTwo, PHP_EOL;   // 教程

示例中的 mb_substr() 第四个参数明确指定了 UTF-8，避免依赖运行环境的默认编码设置。偏移量和长度是字符数，所以 mb_substr($text, 0, 5, 'UTF-8') 取前 5 个 Unicode 字符；对这个示例而言，结果是“PHP 中”。负偏移同样按字符计数。

mb_substr() 的常用形式为：

mb_substr(
    string $string,
    int $start,
    ?int $length = null,
    ?string $encoding = null
): string

$start、$length 的单位是字符，$encoding 用于指定字符编码。不同 PHP 版本的返回类型和对非法参数的处理细节可能有所差异；不要将它理解为自动识别、修复所有编码问题的工具。输入编码应当已知且一致。对于 UTF-8 文本，直接显式传入 'UTF-8'，并在部署环境确认 mbstring 已安装。

检查扩展与输入编码

可在程序启动或部署检查中确认扩展可用。还可以在处理外部输入前检查字节序列是否为合法 UTF-8：

<?php
if (!extension_loaded('mbstring')) {
    throw new RuntimeException('需要启用 mbstring 扩展');
}

$text = $_POST['text'] ?? '';

if (!is_string($text) || !mb_check_encoding($text, 'UTF-8')) {
    throw new InvalidArgumentException('输入不是有效的 UTF-8 字符串');
}

$preview = mb_substr($text, 0, 100, 'UTF-8');
echo htmlspecialchars($preview, ENT_QUOTES | ENT_SUBSTITUTE, 'UTF-8');

在网页输出中，示例通过 htmlspecialchars() 做 HTML 转义。它与截取是两个独立步骤：前者用于把文本安全地放入 HTML 上下文，后者用于决定展示多少字符。即使字符串已经按字符截取，也仍然可能包含需要转义的 HTML 特殊字符。

四、按用户感知的字符截取：grapheme_substr

mb_substr() 按编码中的字符（Unicode 码点）计数，但用户看到的“一个字符”有时由多个码点组成。比如带组合附加符号的字母、某些旗帜 emoji、肤色修饰符和 ZWJ 连接的 emoji 序列，都可能由多个码点组成。按码点截断，仍可能把一个用户感知的字符拆开。

需要尽可能按字素簇（grapheme cluster）截取时，可以使用 PHP Intl 扩展提供的 grapheme_substr()。它按照扩展所实现的 Unicode 字素簇规则处理文本。

<?php
$text = "A👨‍👩‍👧‍👦B";

$result = grapheme_substr($text, 0, 2);

if ($result === false) {
    throw new RuntimeException('字素簇截取失败');
}

echo $result, PHP_EOL;

此示例需要启用 intl 扩展；函数失败时可能返回 false，调用方应处理失败结果。字素簇规则和相关 Unicode 数据由运行环境中的实现决定，不应假设它在所有旧版本和所有环境中都完全一致。若业务只要求普通中文标题按字符数限制，通常使用显式指定 UTF-8 的 mb_substr() 已足够；只有当 emoji、组合字符等确实需要作为整体处理时，才需要考虑字素簇级别的截取。

五、根据场景选择函数

选择函数前先回答两个问题：输入是什么编码？业务所说的“长度”是字节、Unicode 码点，还是用户感知的字素簇？这两个问题比单纯替换函数名更重要。

六、不能用字符截取函数代替编码转换

如果字符串本身不是 UTF-8，却把编码参数写成 UTF-8，结果不会因此自动变成正确的 UTF-8。举例来说，某些历史数据可能使用 GBK、Windows-1252 或其他编码。此时应先确认数据的实际编码，再按需要进行编码转换，最后按目标编码截取。

<?php
$source = $legacyData;

// 只有在已确认原数据确实是 GBK 时，才这样转换。
$utf8 = mb_convert_encoding($source, 'UTF-8', 'GBK');

if (!mb_check_encoding($utf8, 'UTF-8')) {
    throw new RuntimeException('转换后不是有效的 UTF-8');
}

$preview = mb_substr($utf8, 0, 80, 'UTF-8');

不要为了“修乱码”随意猜测源编码。编码猜错可能造成不可逆的数据损失；数据库连接、表字段、HTTP 请求和模板输出也应使用一致的字符编码。新项目通常应统一使用 UTF-8（数据库侧常见配置为 utf8mb4），但这不能替代对旧数据来源的确认。

七、常见错误与纠正方式

错误 1：对 UTF-8 文本直接使用 substr

<?php
$title = '欢迎阅读 PHP 教程';
echo substr($title, 0, 10);

这里的 10 表示 10 个字节，不是 10 个汉字或 Unicode 字符。不同文本含有多少中文、英文和 emoji，截取结果都可能不同。若需求是前 10 个字符，应改为：

<?php
$title = '欢迎阅读 PHP 教程';
echo mb_substr($title, 0, 10, 'UTF-8');

错误 2：把负数长度当作字符数

substr($text, 0, -3) 的 -3 表示从末尾排除 3 个字节。对包含中文的文本，排除的 3 个字节可能正好是一个汉字，也可能只是另一个字符编码的一部分。按字符处理时应使用 mb_substr()，并在目标 PHP 版本中测试负长度用法。

错误 3：只改 mb_internal_encoding，不显式说明编码

调整 mbstring 的默认编码可能影响省略编码参数时的行为，但会让代码更依赖进程级配置。更易维护的写法是对关键操作显式传入编码，例如 mb_substr($text, 0, 20, 'UTF-8')。同时要确保输入确实是 UTF-8，而不是仅仅把参数标记成 UTF-8。

错误 4：先截断成无效字节，再尝试转码

如果 substr() 已经截掉一个多字节字符的中间部分，原始字节序列已经不完整。后续转换函数可能替换、忽略或拒绝无效字节，无法可靠地还原被截断的字符。正确做法是在字节截断之前先确定数据用途；对文本使用字符级截取，对二进制内容才按字节处理。

错误 5：用截取解决 XSS 或输入校验

把文本限制为 100 个字符，并不会让其中的 HTML 或 JavaScript 变安全。截取不是 HTML 转义、SQL 参数化、命令参数校验或业务规则校验。输出 HTML 时应按上下文转义；SQL 查询应使用参数化语句；其他输出上下文也应使用相应的安全编码方式。

八、截取与安全用途：边界要分清

按正确字符边界截取，可以避免展示文本被拆坏，但它本身不是安全防护机制。以下几点尤其容易混淆：

• 不防 XSS：截取后的内容仍可能包含 <script> 等特殊文本。输出到 HTML 时应使用适当的上下文转义，例如 htmlspecialchars()；不能把“只显示前 N 个字符”当成安全措施。
• 不等于输入验证：长度限制只是规则的一部分。若某个字段只允许特定格式，还要独立校验字符集、结构和业务含义。限制应在服务端执行，不能只依赖前端。
• 注意数据库长度单位：数据库的列限制可能按字符或字节计算，具体取决于数据库类型、字符集和列定义。把 PHP 中按码点截取的长度直接当作数据库字节上限，可能导致写入失败或内容被数据库侧截断。
• 不要截断密码或令牌来“隐藏”它们：掩码显示应使用专门的展示逻辑，并避免记录、回显完整秘密值。截断并不会使秘密值在存储或传输中更安全，也可能改变其校验结果。
• 二进制数据保留字节语义：图片片段、加密数据、压缩内容和网络协议字段等可能必须按字节处理。对这些数据调用多字节文本函数，可能改变预期语义。

九、可复用的 UTF-8 文本截取函数

如果项目需要多次按字符截取，并希望统一校验扩展、类型和编码，可以封装一个简单函数。以下版本限定输入为合法 UTF-8 字符串，返回前指定数量的 Unicode 字符；它不按字素簇处理，因此不会保证复杂 emoji 序列整体保留。

<?php
function truncateUtf8(string $text, int $limit): string
{
    if ($limit < 0) {
        throw new InvalidArgumentException('limit 不能为负数');
    }

    if (!extension_loaded('mbstring')) {
        throw new RuntimeException('需要启用 mbstring 扩展');
    }

    if (!mb_check_encoding($text, 'UTF-8')) {
        throw new InvalidArgumentException('text 必须是有效的 UTF-8');
    }

    return mb_substr($text, 0, $limit, 'UTF-8');
}

$title = 'PHP substr 中文截取会乱码吗？';
echo truncateUtf8($title, 12);

这个函数将负数限制视为调用错误，避免把“负数长度”的特殊语义带进一个只表达“取前 N 个字符”的接口。实际项目还应根据业务处理空字符串、超长输入、异常记录和输出转义。PHP 的整数范围由运行平台决定；若长度来自用户输入，也应在转换为整数之前验证格式，并设置合理的业务上限，避免把异常大的值直接用于后续资源消耗型操作。

十、快速排查清单

1. 确认出问题的字符串实际编码，而不是只看文件头、页面声明或变量名。
2. 检查字符串在截取前是否是有效 UTF-8，可用 mb_check_encoding($text, 'UTF-8')。
3. 确认当前函数的偏移和长度单位：substr() 是字节，mb_substr() 是编码字符，grapheme_substr() 是字素簇。
4. 检查负数偏移、负长度以及超出字符串范围的情况，并使用目标 PHP 版本运行测试。
5. 确认 mbstring 或 intl 扩展已在生产环境启用，而不只是开发环境可用。
6. 确认最终输出位置的转义和数据库写入规则。乱码、无效编码和安全转义是相关但不同的问题。

总结

substr() 按字节截取。对 UTF-8 中文文本，截取位置若落在一个字符的字节序列中间，就可能得到无效 UTF-8，表现为乱码或处理失败。普通文本按 Unicode 字符截取时，优先使用带明确编码参数的 mb_substr()；需要尽量保留组合字符和复杂 emoji 时，考虑 grapheme_substr()。处理二进制数据或明确的字节字段时，substr() 仍然合适。

最重要的是不要混淆字节、码点和用户感知的字符，也不要把截取当作编码转换、输入验证或安全转义。先确认数据编码和业务长度单位，再选择函数，并对边界与部署扩展做实际测试，才能稳定地处理中文文本。