strlen()和UTF-8编码

Question

假设使用 PHP 的 UTF-8 编码和 strlen() 函数，是否可能使得这个字符串长度为 4？

我只关心 strlen() 函数，不关心其他函数。

以下是该字符串： $1�2

我已经在自己的电脑上测试过，并验证了 UTF-8 编码，得到的答案是 6。

我在 strlen 的手册中没有看到任何关于为什么某些字符计算值小于一的解释，也没有在有关 UTF-8 的文献中找到相关信息。

PS: 这个问题和答案 (4) 来自我在 Ebay 上购买的 ZCE 模拟考试。

- Jon Lyles

---

strlen函数计算的是字节数而不是字符数。 - Esailija

UTF-8字符是多字节字符，在使用strlen函数时，它们的长度以字节为单位计算。请使用http://php.net/manual/en/function.mb-strlen.php获取预期结果。 - Rem.co

UTF-8编码的字符长度可以是1到6个字节。 - Esailija

@Esailija 你说得对！我太匆忙了，抱歉。--更正-- - Rem.co

我的问题只涉及strlen()。如果我将这个字符串放入strlen()中，我的答案是6。当我运行iconv_get_encoding()时，我得到的是"UTF-8"。 - Jon Lyles

不准确，UTF-8字符（编码码点）最多可以有4个字节长度。 - Pavel Radzivilovsky

Answer 1

使用 mb_strlen() 呢？

http://lt.php.net/manual/en/function.mb-strlen.php

但如果你需要使用 strlen，可以通过设置 mbstring.func_overload 指令为 2 来配置你的 Web 服务器，这样它将自动替换你脚本中使用 strlen 为 mb_strlen。

- Anton

---

是的，我在其他答案中看到了 mb_strlen()，但我特别关注 strlen()。 - Jon Lyles

修正了我的答案以回答你的评论问题。 - Anton

哎呀，我不知道 mbstrung.func_overload - 启用它会破坏我的一堆代码，因为我总是假设 strlen 是以字节为单位的长度。 - thomasrutter

Answer 2

你发布的字符串长度为6个字符：$1�2（美元符号、数字1、带分音符的小写i、倒置问号、一半分数、数字2）

如果使用该字符串的UTF-8表示形式调用strlen()函数，则会得到一个长度为9的结果（虽然有多种不同长度的表示形式）。

然而，如果我们将该字符串存储为ISO 8859-1或CP1252，则会得到一个6字节长的序列，该序列作为UTF-8是合法的。将这6个字节重新解释为UTF-8会导致4个字符：$1�2（美元符号、数字1、Unicode替换字符、数字2）。也就是说，单个字符“�”的UTF-8编码与三个字符“�”的ISO-8859-1编码完全相同。

当UTF-8解码器读取的数据不是有效的UTF-8数据时，替换字符经常被插入。

看起来原始字符串经历了多重误解层面；通过对非UTF-8数据使用UTF-8解码器（生成$1�2），以及通过你用于分析该数据的任何工具（生成$1�2）。

- bames53

Answer 3

需要使用多字节字符串函数mb_strlen（），例如：

mb_strlen($string, 'UTF-8');

- Haim Evgi

Answer 4

很可能在问题准备和你阅读问题之间的某个过程中，一些非ASCII字符被破坏了，因此该问题最初是关于一个包含4个字符的字符串的。

当你将替换字符U+FFFD（�）用UTF-8编码，并以latin1解释结果时，会得到序列�。例如，在从文件中读取文本时，如果字节序列没有编码任何字符，则使用该字符来替换这些序列。发生的情况很可能是这样的：

原始问题存储在一个latin1文本文件中，其中包括：$1¢2（可以用任何非ASCII字符代替¢）

该文件被一个使用UTF-8的程序读取。由于无法解释对应于¢的字节，程序会替换它并读取文本$1�2。 然后，该文本使用UTF-8写出，导致在文件中出现$1\xEF\xBF\xBD2。

然后，某些第三方程序以latin1格式读取该文件，并显示$1�2。

- Joni

Answer 5

不行。

我将采用反证法。

strlen计算的是字节数，因此，字符串中必须恰好有4个字节。

UTF8编码需要每个字符至少1个字节。

我们已经确定：

1. 有4个字节
2. 一个字符由至少1个字节表示

......然而，我们有6个字符......这是一个矛盾。所以，不行。

但是，仍不完全清楚的是，显示软件（例如，Web浏览器）使用哪种字符集来解释该字符串。它可能使用某些不常见的编码方案，其中一个字符可以由少于8位表示。如果是这种情况，则4个字节可以显示为6个字符。因此，字符串可以是utf8，但浏览器可以决定将其解释为某个5位字符集。

- goat

Answer 6

许多UTF-8字符需要多个字节而不是一个。这就是UTF-8的构造方式（这也是你可以在单个集合中拥有如此多的字符的原因）。

请尝试使用mb_strlen()代替。

- Madara's Ghost

---

趣闻：理论上，UTF-8 可以使用最多 8 个字节来表示一个字符，尽管到目前为止还没有使用到这么长的字符——最常用的长度是四个字节的一些字符（比如乐谱符号和一些中文字符）。 - oezi

strlen()怎么样？答案可能少于6吗？ - Jon Lyles

@JonLyles：strlen()函数计算字符串中的字节数。如果该字符串有6个字节，则结果为6。 - Madara's Ghost