PHP截取UTF8字符串
想必很多人从一开始接触编程到现在，都有一个惯性思维：英文字符占用一个字节，中文字符占用两个字节。不错，英文字符是占用一个字节，但中文字符占用两个字节是相对于GBK编码而言（当然，其他一些编码如GB2312也是），但是在时下国际流行的UTF8编码中，一个中文字符占用3个字节。不要惊讶，这是一个事实，而且应该成为一个常识。
UTF8编码可能出现一个字符占用1个、2个、3个甚至更多字节的情况，如英文字符abc占用一个字节，中文字符占用三个字节，那么什么字符占用两个字节呢？这个问题我一开始并没有发现，只是前几天有人留言，首页的评论截取竟然出现了乱码的情况：
最开始并没有发现这两个乱码出现的问题在哪里，后来仔细验证了下，发现是处在·这个字符上（键盘左上角，中文输入法下），它占用两个字节。而emlog的截取字符串函数，除了英文字符外，默认其他的都占三个字节了，因此导致乱码出现。
查阅了相关资料，得出了一个结论：UTF8编码的字符中，第一个字节ASCII值大于等于224的，其与之后的2个字节一起组成一个UTF8字符，第一个字节ASCII值大于192等于小于224的，其与之后的1个字节组成一个UTF-8字符，第一个字节ASCII值小于192的，其本身成为一个UTF8字符。于是在PHP中将·字符的ASCII打印出来，第一个字节是194，第二个字节是183，木有第三个字节了，于是截取的字符中，若包含·字符，就会出现乱码了。
问题找到，解决方案也就很简单了，分别判断处理下就OK。写了如下函数用于截取：
function subString($str, $start, $length) {
$i = 0;
//完整排除之前的UTF8字符
while($i < $start) {
$ord = ord($str{$i});
if($ord < 192) {
$i++;
} elseif($ord <224) {
$i += 2;
} else {
$i += 3;
}
}
//开始截取
$result = '';
while($i < $start + $length && $i < strlen($str)) {
$ord = ord($str{$i});
if($ord < 192) {
$result .= $str{$i};
$i++;
} elseif($ord <224) {
$result .= $str{$i}.$str{$i+1};
$i += 2;
} else {
$result .= $str{$i}.$str{$i+1}.$str{$i+2};
$i += 3;
}
}
if($i < strlen($str)) {
$result .= '...';
}
return $result;
}