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：

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

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

结果php报错，mb_regex_encoding不认识gbk，囧。

那就使用它认识的：

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

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

function mb_explode($delimiter, $string, $encoding = null){
$list = array();
is_null($encoding) && $encoding = mb_internal_encoding();
$len = mb_strlen($delimiter, $encoding);
while(false !== ($idx = mb_strpos($string, $delimiter, 0, $encoding))){
$list[] = mb_substr($string, 0, $idx, $encoding);
$string = mb_substr($string, $idx + $len, null, $encoding);
}
$list[] = $string;
return $list;
}

测试代码：

$a = 'abc弢|bc';

var_dump(mb_explode('|', $a, 'gbk'));
var_dump(mb_explode('bc', $a, 'gbk'));
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。