分割gbk中文出现乱码的问题解决
近日遇到一个神奇的字“弢(tao)”。
具体的过程是这样的：
1 $list = explode('|', 'abc弢|bc');2 var_dump($list);
取得这个分割的结果。
和想象不同，结果居然是这样：
array(3) { [0]=> string(4) "abc? [1]=> string(0) "" [2]=> string(2) "bc"}
出现了乱码，而且莫名其妙的出现了一个空元素。
究其原因，原来这个字“弢”的gbk编码是8f7c，而|的ASCII是7c，这样explode就把弢的第二ASCII作为|切割了。
既然是双字节的问题，我们用mbstring解决好了。
可惜，php并没有mb_explode这种函数，找了找，找到一个mb_split。
array mb_split ( string $pattern , string $string [, int $limit = -1 ] )
没有声明编码的地方。仔细一看，他是通过mb_regex_encoding声明编码的。
于是写出以下的代码：
1 mb_regex_encoding('gbk');2 $list = mb_split('\|', 'abc弢|bc');3 var_dump($list);
结果php报错，mb_regex_encoding不认识gbk，囧。
那就使用它认识的：
1 mb_regex_encoding('gb2312');2 $list = mb_split('\|', 'abc弢|bc');3 var_dump($list);
结果：
array(3) { [0]=> string(4) "abc? [1]=> string(0) "" [2]=> string(2) "bc"}
发现，这种方法并没有什么用处。、
至于原因？“弢”这个字居然不在GB2312的编码集里面！！！！！但是有这个字的编码集(GBK, GB18030)这个函数都不支持！！！！！
既然这个不好用，也许万能的正则表达式是ok的。于是得到以下代码：
1 var_dump(preg_match_all('/([^\|])*/', 'abc弢|bc', $matches));2 var_dump($matches);
结果：
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。
现在研究一下，如何用正则描述这个场景。
参考一下，鸟哥大神的博客：分割GBK中文遭遇乱码的解决。遗憾的是，正则能力比较low的我，还是想不出来合适的正则表达式(如果有想出这个正则表达式的大神们，希望可以告诉我)。
没办法，思来想去，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 }
测试代码：
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'));
结果：
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"}
这样就可以得到正确的结果了。
