PHP内核探索之变量(七)- 不平凡的字符串

WBOY
풀어 주다: 2016-06-13 12:17:06
원래의
1149명이 탐색했습니다.

PHP内核探索之变量(7)- 不平凡的字符串

切,一个字符串有什么好研究的。

别这么说,看过《平凡的世界》么,平凡的字符串也可以有不平凡的故事。试看:

(1)       在C语言中,strlen计算字符串的时间复杂度是?PHP中呢?

(2)       在PHP中,怎样处理多字节字符串?PHP对unicode的支持如何?

同样是字符串,为什么c语言与C++/PHP/Java的均不相同?

数据结构决定算法,这句话一点不假。

那么我们今天就来掰一掰,PHP中的字符串结构,以及相关字符串函数的实现。

一、  字符串基础

  字符串可以说是PHP中遇到最多的数据结构之一了(另外一个比较常用的是数组,见PHP内核探索之变量(4)- 数组操作)。而由于PHP语言的特性和应用场景,使得我们日常的很多工作,实际上都是在处理字符串。也正是这个原因,PHP为开发者提供了丰富的字符串操作函数(初步统计约有100个,这个数量相当可观)。那么,在PHP中,字符串是怎样实现的呢?与C语言又有什么区别呢?

 1.  PHP中字符串的表现形式

  在PHP中使用字符串有四种常见的形式:

(1)    双引号

         这种形式比较常见:$str=”this is \0 a string”; 而且以双引号包含的字符串中可以包含变量、控制字符等:$str = "this is $name, aha.\n";

(2)     单引号

  单引号包含的字符都被认为是raw的,因此不会解析单引号中的变量,控制字符等:

$string = "test";$str = 'this is $string, aha\n';echo $str;
로그인 후 복사

(3) Heredoc

Heredoc比较适合较长的字符串表示,且对于多行的字符串表示更加灵活多样。与双引号表示形式类似,heredoc中也可以包含变量。常见的形式是:

$string ="test string";$str = <<<STRThis is a string \n,My string is $stringSTR;echo $str;
로그인 후 복사

(4) nowdoc(5.3+支持)

nowdoc和heredoc是如此的类似,以至于我们可以把它们当做是一对儿亲兄弟。nowdoc的起始标志符是用单引号括起来的,与单引号相似,它不会解析其中的变量,格式控制符等:

$s = <<<'EOT'this is $strthis is \t test;EOT;echo $s;
로그인 후 복사

2. PHP中字符串的结构

  之前提到过,PHP中变量是用Zval(PHP内核探索之变量(1)Zval)这样一个结构体来存储的。Zval的结构是:

<span style="color: #000000;">struct _zval_struct {    zvalue_value value;       </span><span style="color: #008000;">/*</span><span style="color: #008000;"> value </span><span style="color: #008000;">*/</span><span style="color: #000000;">    zend_uint refcount__gc;   </span><span style="color: #008000;">/*</span><span style="color: #008000;"> variable ref count </span><span style="color: #008000;">*/</span><span style="color: #000000;">    zend_uchar type;          </span><span style="color: #008000;">/*</span><span style="color: #008000;"> active type </span><span style="color: #008000;">*/</span><span style="color: #000000;">    zend_uchar is_ref__gc;    </span><span style="color: #008000;">/*</span><span style="color: #008000;"> if it is a ref variable </span><span style="color: #008000;">*/</span><span style="color: #000000;">};</span>
로그인 후 복사

而变量的值是zvalue_value这样一个共用体:

<span style="color: #000000;">typedef union _zvalue_value {    long lval;    </span><span style="color: #0000ff;">double</span><span style="color: #000000;"> dval;    struct {                    </span><span style="color: #008000;">/*</span><span style="color: #008000;"> string </span><span style="color: #008000;">*/</span><span style="color: #000000;">        char </span>*<span style="color: #000000;">val;        int len;    } str;    HashTable </span>*<span style="color: #000000;">ht;    zend_object_value obj;} zvalue_value;</span>
로그인 후 복사

我们从中抽取出字符串的结构:

<span style="color: #000000;">struct {    char </span>*<span style="color: #000000;">val;    int len;} str;</span>
로그인 후 복사

现在比较清楚了,PHP中字符串在底层实际上是一个结构体,该结构体包含了指向字符串的指针和该字符串的长度。

那么为什么这么做呢?换句话说,这样做有什么好处呢?我们接下来,将PHP的字符串与C语言的字符串做一个对比,以解释采用这样一种结构来存储字符串的优势。

3.  与c语言字符串的比较

我们知道,在c语言中,一个字符串可以用两种常见的形式存储,一种是使用指针方式,另一种是使用字符数组。我们接下来的说明,都以c语言的字符数组的方式来存储字符串。

(1) PHP字符串是二进制安全的,而C字符串不是

我们经常会提到”二进制安全”这一术语,那么二进制安全究竟是什么意思呢?

wikipedia中对二进制安全(Binary Safe)的定义是:

Binary-safe is a computer programming term mainly used in connection with <span style="color: #0000ff;">string</span> manipulating functions. <br />A binary-safe <span style="color: #0000ff;">function</span> is essentially one that treats its input <span style="color: #0000ff;">as</span> a raw stream of data without any specific format. <br />It should thus work with all 256 possible values that a character can take (assuming 8-bit characters).
로그인 후 복사

  翻译过来就是:

二进制安全是计算机编程的术语,主要用于字符串操作函数。一个二进制安全的函数,本质上是指它将输入看做是原始的数据流(raw)而不包含任何特殊的格式

那么为什么C字符串不是二进制安全的?我们知道,在C语言中,以字符数组表示的字符串总是以\0结尾的,这个\0便是C字符串的specific format, 用于标识字符串的结束。更近一步说,如果一个字符串中本身包含了\0且并不是该字符串的结尾,那么在C中,\0后面的所有数据都会被忽略(感觉就像是 字符串被莫名其妙的截断了)。这也意味着,C字符串只合适保存简单的文本,而不能用于保存图片、视频、其他文件等二进制数据。而在PHP中,我们可以使用$str = file_get_contents(“filename”);保存图片、视频等二进制数据。

(2) 效率对比

由于C字符串中使用\0来标志字符串的结束,因此,对于strlen函数而言,获取字符串长度的操作需要顺序遍历字符串,直到遇到\0为止,因此strlen函数的时间复杂度是O(n)。而在PHP中,字符串是以:

<span style="color: #000000;">struct{      char </span>*<span style="color: #000000;">val;      int len;} str;</span>
로그인 후 복사

这样一种结构体来表示的,因而获取字符串的长度只需要通过常量的时间便可以完成:

<span style="color: #0000ff;">#define</span> Z_STRLEN(zval)          (zval).value.str.len
로그인 후 복사

当然,仅仅是strlen函数的性能,无法支持“PHP中string比c字符串的效率更高”的结论(一个很明显的原因是PHP是构建在C语言之上的高级语言),而仅仅说明,在时间复杂度上,PHP字符串比C字符串更加高效。

(3) 很多C字符串函数存在缓冲区溢出的漏洞

缓存区溢出是C语言中常见的漏洞,这种安全隐患经常是致命的。一个典型的缓存区溢出的例子如下:

<span style="color: #0000ff;">void</span> str2Buf(<span style="color: #0000ff;">char</span> *<span style="color: #000000;">str) {    </span><span style="color: #0000ff;">char</span> buffer[<span style="color: #800080;">16</span><span style="color: #000000;">];    strcpy(buffer,str);}</span>
로그인 후 복사

这个函数将str的内容copy到buffer数组中,而buffer数组的大小是16,因此如果str的长度大于16,便会发生缓冲区溢出的问题。

除了strcpy,还有gets, strcat, fprintf等字符串函数也会有缓冲区溢出的问题。

PHP中并没有strcpy与strcat之类的函数,实际上由于PHP语言的简洁性,并不需要提供strcpy和strcat之类的函数。例如我们要复制一个字符串,直接使用=即可:

$str = <span style="color: #800000;">"</span><span style="color: #800000;">this is a string</span><span style="color: #800000;">"</span><span style="color: #000000;">;$str_copy </span>= $str;
로그인 후 복사

  由于PHP中变量共享zval的特性,并不会有空间浪费.而简单的.连接符可以轻松实现字符串连接:

$str = <span style="color: #800000;">"</span><span style="color: #800000;">this is</span><span style="color: #800000;">"</span><span style="color: #000000;">;$str .</span>= <span style="color: #800000;">"</span><span style="color: #800000;">test string</span><span style="color: #800000;">"</span><span style="color: #000000;">;echo $str;</span>
로그인 후 복사

  关于字符串连接符过程中的内存分配和管理,可以查看zend引擎部分的实现,这里暂时忽略。

二、 字符串操作相关函数(部分)

毫无疑问,研究字符串的目的并不只是为了知道它的结构和特性,而是为了更好的使用它。我们日常的工作中,恐怕有一般以上的工作都是在与字符串打交道:如处理一个日期串、加密一个密码、获取用户信息、正则表达式匹配替换、字符串替换、格式化一个串等等。可以说,在PHP开发中,你无法避免与字符串的直接或者间接接触(就像无法摆脱呼吸)。正因为如此,PHP为开发者提供了大量的、丰富的字符串操作函数( http://cn2.php.net/manual/en/ref.strings.php),这对于90%以上的字符串操作,已经基本足够。

由于字符串函数众多,不可能一一说明。这里只挑选几个比较典型的字符串操作函数 来做简单的说明(我相信80%以上的PHPer对于字符串的操作函数掌握的非常的好)。

在开始说明之前,有必要强调一下字符串函数的使用原则,理解和掌握这些原则对于高效、熟练使用字符串函数非常关键,这些原则包括(不仅限于):

(1) 如果你的操作既可以使用正则表达式,也可以使用字符串。那么优先考虑字符串操作

正则表达式是处理文本的绝好工具,尤其对于模式查找、模式替换这一类应用,正则可以说是无往不利。正因为如此,正则表达式在很多场合都被滥用。如果对于你的字符串操作,既可以使用字符串函数完成,也可以使用正则表达式完成,那么,请优先选择字符串操作函数,因为正则表达式在一定场合下会有严重的性能问题。

(2) 注意false与0

  PHP是弱变量类型,相信不少phper开始都深受其害

var_dump( <span style="color: #800080;">0</span> == <span style="color: #0000ff;">false</span>);<span style="color: #008000;">//</span><span style="color: #008000;">bool(true)</span>var_dump( <span style="color: #800080;">0</span> === <span style="color: #0000ff;">false</span>);<span style="color: #008000;">//</span><span style="color: #008000;">bool(false)</span>
로그인 후 복사

  等等,这与字符串操作函数有什么关系?

  在PHP中,有一类函数用于查找(如strpos, stripos),这类查找函数在查找成功时,返回的是子串在原串中的index,如strpos:

var_dump(strpos(<span style="color: #800000;">"</span><span style="color: #800000;">this is abc</span><span style="color: #800000;">"</span>, <span style="color: #800000;">"</span><span style="color: #800000;">abc</span><span style="color: #800000;">"</span>));
로그인 후 복사

  而在查找不成功时,返回的是false:

<span style="color: #008080;">var_dump</span>(<span style="color: #008080;">strpos</span>("this is abc", "angle"));<span style="color: #008000;">//</span><span style="color: #008000;">false</span>
로그인 후 복사

  这里便有一个坑:字符串的索引也是以0开始的!如果子串刚好在源串的起始位置出现,那么,简单的==比较便无法区分究竟strpos是不是成功:

<span style="color: #008080;">var_dump</span>(<span style="color: #008080;">strpos</span>("this is abc", "this"));
로그인 후 복사

  因此我们一定是要用===来比较的:

<span style="color: #0000ff;">if</span>((<span style="color: #008080;">strpos</span>("this is abc", "this")) === <span style="color: #0000ff;">false</span><span style="color: #000000;">){    </span><span style="color: #008000;">//</span><span style="color: #008000;"> not found</span>}
로그인 후 복사

  (3) 多看手册,避免重复造轮子

相信不少PHPer面试都碰到过这样的问题:如何翻转一个字符串?由于题目中只提及“如何“,而并没有限制”不使用PHP内置函数“。那么对于本题,最简洁的方法自然是使用strrev函数。另一个说明不应该重复造轮子的函数是levenshtein函数,这个函数如同其名字一样,返回的是两个字符串的编辑距离。作为动态规划(DP)的典型代表案例之一,我想编辑距离很多人都不陌生。碰到这类问题,你还准备DP搞起吗?一个函数搞定它:

<span style="color: #800080;">$str1</span> = "this is test"<span style="color: #000000;">;</span><span style="color: #800080;">$str2</span> = "his is tes"<span style="color: #000000;">;</span><span style="color: #0000ff;">echo</span> <span style="color: #008080;">levenshtein</span>(<span style="color: #800080;">$str1</span>, <span style="color: #800080;">$str2</span>);
로그인 후 복사

在某些情况下,我们都应该尽可能的“懒“,不是吗。

以下是字符串操作函数节选(对于最常见的操作,请直接参考手册)

1.  strlen

此标题一出,我猜想大多数人的表情是这样的:

或者是这样的:

我要说的,并不是这个函数本身,而是这个函数的返回值。

int strlen ( string $string )Returns the length of the given string.
로그인 후 복사

虽然手册上明确指出“strlen函数返回给定字符串的长度”,但是,并没有对长度单位做任何说明,长度究竟是指”字符的个数“还是说”字符的字节数“。而我们要做的,并不是臆想,而是测试:

在GBK编码格式下:

<span style="color: #0000ff;">echo</span> <span style="color: #008080;">strlen</span>(&ldquo;这是中文&rdquo;);<span style="color: #008000;">//</span><span style="color: #008000;">8</span>
로그인 후 복사

说明strlen函数返回的是字符串的字节数。那么又有问题了,如果是utf-8编码,由于中文在utf8编码的情况下,每个中文使用3个byte,因而,我们期望的结果应该是12:

<span style="color: #0000ff;">echo</span> <span style="color: #008080;">strlen</span>(&ldquo;这是中文&rdquo;);<span style="color: #008000;">//</span><span style="color: #008000;">12</span>
로그인 후 복사

这说明:strlen计算字符串的长度依赖于当前的编码格式,其值并不是唯一的!这在某些情况下,自然是无法满足要求的。这时,多字节扩展mbstring便有它的发挥余地了:

<span style="color: #0000ff;">echo</span> mb_strlen("这是中文", "GB2312");<span style="color: #008000;">//</span><span style="color: #008000;">4</span>
로그인 후 복사

关于这点,在多字节处理中会有相应说明,这里略过。

2. str_word_count

str_word_count是另一个比较强大的且容易忽略的字符串函数。

<span style="color: #0000ff;">mixed</span> <span style="color: #008080;">str_word_count</span> ( <span style="color: #0000ff;">string</span> <span style="color: #800080;">$string</span> [, int <span style="color: #800080;">$format</span> = 0 [, <span style="color: #0000ff;">string</span> <span style="color: #800080;">$charlist</span> ]] )
로그인 후 복사

其中$format的不同值可以使str_word_count函数有不同的行为。 现在,我们手头有这样的文本:

When I am down and, oh my soul,<span style="color: #000000;"> so wearyWhen troubles come and my heart burdened beThen</span>,<span style="color: #000000;"> I am still and wait here in the silenceUntil you come and sit awhile with meYou raise me up</span>,<span style="color: #000000;"> so I can stand on mountainsYou raise me up</span>,<span style="color: #000000;"> to walk on stormy seasI am strong</span>,<span style="color: #000000;"> when I am on your shouldersYou raise me up&hellip; To more than I can berYou raise me up</span>,<span style="color: #000000;"> so I can stand on mountainsYou raise me up</span>,<span style="color: #000000;"> to walk on stormy seasI am strong</span>,<span style="color: #000000;"> when I am on your shouldersYou raise me up</span>, To more than I can be。
로그인 후 복사

那么:

(1)$format = 0

$format=0, $format返回的是文本中的单词的个数

echo str_word_count(file_get_contents(“word”)); //112

(2)$format = 1

$format=1时,返回的是文本中全部单词的数组:

<span style="color: #008080;">print_r</span>(<span style="color: #008080;">file_get_contents</span>(&ldquo;word&rdquo;),1 );
로그인 후 복사

<span style="color: #0000ff;">Array</span><span style="color: #000000;">(    [</span>0] =><span style="color: #000000;"> When    [</span>1] =><span style="color: #000000;"> I    [</span>2] =><span style="color: #000000;"> am    [</span>3] =><span style="color: #000000;"> down    [</span>4] =><span style="color: #000000;"> and    [</span>5] =><span style="color: #000000;"> oh    [</span>6] =><span style="color: #000000;"> my    [</span>7] =><span style="color: #000000;"> soul    [</span>8] =><span style="color: #000000;"> so    [</span>9] =><span style="color: #000000;"> weary    [</span>10] =><span style="color: #000000;"> When    [</span>11] =><span style="color: #000000;"> troubles</span>......<span style="color: #000000;">)</span>
로그인 후 복사

这一特性有什么作用呢?比如英文分词。还记得“单词统计”的问题么?str_word_count可以轻松完成单词统计TopK的问题:

<span style="color: #800080;">$s</span> = <span style="color: #008080;">file_get_contents</span>("./word"<span style="color: #000000;">);</span><span style="color: #800080;">$a</span> = <span style="color: #008080;">array_count_values</span>(<span style="color: #008080;">str_word_count</span>(<span style="color: #800080;">$s</span>, 1<span style="color: #000000;">)) ;</span><span style="color: #008080;">arsort</span>( <span style="color: #800080;">$a</span><span style="color: #000000;"> );</span><span style="color: #008080;">print_r</span>( <span style="color: #800080;">$a</span><span style="color: #000000;"> );</span><span style="color: #008000;">/*</span><span style="color: #008000;">Array(    [I] => 10    [me] => 7    [raise] => 6    [up] => 6    [You] => 6    [am] => 6    [on] => 6    [can] => 4    [and] => 4    [be] => 3    [so] => 3    &hellip;&hellip;);</span><span style="color: #008000;">*/</span>
로그인 후 복사

(3)$format = 2

$format=2时,返回的是一个关联数组

<span style="color: #800080;">$a</span> = <span style="color: #008080;">str_word_count</span>(<span style="color: #800080;">$s</span>, 2<span style="color: #000000;">);</span><span style="color: #008080;">print_r</span>(<span style="color: #800080;">$a</span><span style="color: #000000;">);</span><span style="color: #008000;">/*</span><span style="color: #008000;">Array(    [0] => When    [5] => I    [7] => am    [10] => down    [15] => and    [20] => oh    [23] => my    [26] => soul    [32] => so    [35] => weary    [41] => When    [46] => troubles    [55] => come    ...)</span><span style="color: #008000;">*/</span>
로그인 후 복사

配合其他数组函数,可以实现更加多样化的功能.例如,配合array_flip,可以计算某个单词最后一次出现的位置:

<span style="color: #800080;">$t</span> = <span style="color: #008080;">array_flip</span>(<span style="color: #008080;">str_word_count</span>(<span style="color: #800080;">$s</span>, 2<span style="color: #000000;">));</span><span style="color: #008080;">print_r</span>(<span style="color: #800080;">$t</span>);
로그인 후 복사

而如果配合了array_unique之后再array_flip,则可以计算某个单词第一次出现的位置:

<span style="color: #800080;">$t</span> = <span style="color: #008080;">array_flip</span>( <span style="color: #008080;">array_unique</span>(<span style="color: #008080;">str_word_count</span>(<span style="color: #800080;">$s</span>, 2<span style="color: #000000;">)) );</span><span style="color: #008080;">print_r</span>(<span style="color: #800080;">$t</span><span style="color: #000000;">);</span><span style="color: #0000ff;">Array</span><span style="color: #000000;">(    [When] </span>=> 0<span style="color: #000000;">    [I] </span>=> 5<span style="color: #000000;">    [am] </span>=> 7<span style="color: #000000;">    [down] </span>=> 10<span style="color: #000000;">    [and] </span>=> 15<span style="color: #000000;">    [oh] </span>=> 20<span style="color: #000000;">    [my] </span>=> 23<span style="color: #000000;">    [soul] </span>=> 26<span style="color: #000000;">    [so] </span>=> 32<span style="color: #000000;">    [weary] </span>=> 35<span style="color: #000000;">    [troubles] </span>=> 46<span style="color: #000000;">    [come] </span>=> 55<span style="color: #000000;">    [heart] </span>=> 67    ...<span style="color: #000000;">)</span>
로그인 후 복사

3. similar_text

这是除了levenshtein()函数之外另一个计算两个字符串相似度的函数:

int <span style="color: #008080;">similar_text</span> ( <span style="color: #0000ff;">string</span> <span style="color: #800080;">$first</span> , <span style="color: #0000ff;">string</span> <span style="color: #800080;">$second</span> [, <span style="color: #0000ff;">float</span> &<span style="color: #800080;">$percent</span> ] )
로그인 후 복사

<span style="color: #800080;">$t1</span> = "You raise me up, so I can stand on mountains"<span style="color: #000000;">;</span><span style="color: #800080;">$t2</span> = "You raise me up, to walk on stormy seas"<span style="color: #000000;">;</span><span style="color: #800080;">$percent</span> = 0<span style="color: #000000;">;</span><span style="color: #0000ff;">echo</span> <span style="color: #008080;">similar_text</span>(<span style="color: #800080;">$t1</span>, <span style="color: #800080;">$t2</span>, <span style="color: #800080;">$percent</span>).<span style="color: #ff00ff;">PHP_EOL</span>;<span style="color: #008000;">//</span><span style="color: #008000;">26</span><span style="color: #0000ff;">echo</span> <span style="color: #800080;">$percent</span>;<span style="color: #008000;">//</span><span style="color: #008000;"> 62.650602409639</span>
로그인 후 복사

撇开具体的使用不谈,我很好奇底层对于字符串的相似度是如何定义的。

Similar_text函数实现位于 ext/standard/string.c 中,摘取其关键代码:

PHP_FUNCTION(similar_text){    char *t1, *t2;    zval **percent = NULL;    int ac = ZEND_NUM_ARGS();    int sim;    int t1_len, t2_len;           /* 参数解析 */    if (zend_parse_parameters(ZEND_NUM_ARGS() TSRMLS_CC, "ss|Z", &t1, &t1_len, &t2, &t2_len, &percent) == FAILURE) {        return;    }            /* set percent to double type */    if (ac > 2) {        convert_to_double_ex(percent);    }   /* t1_len == 0 && t2_len == 0 */    if (t1_len + t2_len == 0) {        if (ac > 2) {            Z_DVAL_PP(percent) = 0;        }        RETURN_LONG(0);    }               /* 计算字符串相同个数 */    sim = php_similar_char(t1, t1_len, t2, t2_len);        /* 相似百分比 */    if (ac > 2) {        Z_DVAL_PP(percent) = sim * 200.0 / (t1_len + t2_len);    }     RETURN_LONG(sim);}
로그인 후 복사

可以看出,字符串相似个数是通过 php_similar_char 函数实现的,而相似百分比则是通过公式:

percent = sim * <span style="color: #800080;">200</span> / (t1串长度 + t2串长度)
로그인 후 복사

来定义的。

php_similar_char的具体实现:

static int php_similar_char(const char *txt1, int len1, const char *txt2, int len2){    int sum;    int pos1 = 0, pos2 = 0, max;    php_similar_str(txt1, len1, txt2, len2, &pos1, &pos2, &max);    if ((sum = max)) {        if (pos1 && pos2) {            sum += php_similar_char(txt1, pos1,txt2, pos2);        }        if ((pos1 + max < len1) && (pos2 + max < len2)) {            sum += php_similar_char(txt1 + pos1 + max, len1 - pos1 - max,txt2 + pos2 + max, len2 - pos2 - max);        }    }    return sum;}
로그인 후 복사

这个函数通过调用php_similar_str来完成字符串相似个数的统计,而php_similar_str返回字符串s1与字符串s2的最长相同字符串长度:

static void php_similar_str(const char *txt1, int len1, const char *txt2, int len2, int *pos1, int *pos2, int *max){    char *p, *q;    char *end1 = (char *) txt1 + len1;    char *end2 = (char *) txt2 + len2;    int l;    *max = 0;        /* 查找最长串 */    for (p = (char *) txt1; p < end1; p++) {        for (q = (char *) txt2; q < end2; q++) {            for (l = 0; (p + l < end1) && (q + l < end2) && (p[l] == q[l]); l++);            if (l > *max) {                *max = l;                *pos1 = p - txt1;                *pos2 = q - txt2;            }        }    }}
로그인 후 복사

  php_similar_str匹配完成之后,原始的串被划分为三个部分

第一部分是最长串的左边部分,这一部分含有相似串,但是却不是最长的;

第二部分是最长相似串部分;

第三部分是最长串的右边部分,与第一部分相似,这一部分含有相似串,但是也不是最长的。因而要递归对第一部分和第三部分求相似串的长度:

/* 最长的串左边部分相似串 */if (pos1 && pos2) {    sum += php_similar_char(txt1, pos1,txt2, pos2);}/* 右半部分相似串 */if ((pos1 + max < len1) && (pos2 + max < len2)) {    sum += php_similar_char(txt1 + pos1 + max, len1 - pos1 - max, txt2 + pos2 + max, len2 - pos2 - max);}
로그인 후 복사

匹配的过程如下图所示:

对于字符串函数的更多解释,可以参考PHP的在线手册,这里不再一一列举。

三、多字节字符串

  迄今为止,我们讨论的所有的字符串和相关操作函数都是单字节的。然而这个世界是如此的丰富多彩,就好比有红瓤的西瓜也有黄瓤的西瓜一样,字符串也不例外。如我们常用的中文汉字在GBK编码的情况下,实际上是使用两个字节来编码的。多字节字符串不仅仅局限于中文汉字,还包括日文,韩文等等多个国家的文字。正因为如此,对于多字节字符串的处理显得异常重要。

  字符和字符集是编程过程中不可避免总是要遇到的术语。如果有童鞋对于这一块的内容并不是特别清晰,建议移步《编码大事1字符编码基础-字符和字符集,》

  由于我们日常中使用较多的是中文,因而我们以中文字符串截取为例, 重点研究中文字符串的问题。

中文字符串的截取

  中文字符串截取一直是个相对来说比较麻烦的问题,原因在于:

(1) PHP原生的substr函数只支持单字节字符串的截取,对于多字节的字符串略显无力

(2) PHP的扩展mbstring需要服务器的支持,事实上,很多开发环境中并没有开启mbstring扩展,对于习惯使用mbstring扩展的童鞋非常遗憾。

(3) 一个更为复杂的问题是,在UTF-8编码的情况下,虽然中文是3个字节的,但是中文的某些特殊字符(如脱字符·)实际上是双字节编码的。这无疑加大了中文字符串截取的难度(毕竟,中文字符串中不可能完全不包含特殊字符)。

头疼之余,还是要自己撸一个中文的字符串截取的库,这个字符串截取函数应该与substr有相似的函数参数列表,而且要支持中文GBK编码和UTF-8编码情况下的截取,为了效率起见,如果服务器已经开启了mbstring扩展,那么就应该直接使用mbstring的字符串截取。

API:

<span style="color: #0000ff;">String</span> cnSubstr(<span style="color: #0000ff;">string</span> <span style="color: #800080;">$str</span>, int <span style="color: #800080;">$start</span>, int <span style="color: #800080;">$len</span>, [<span style="color: #800080;">$encode</span>=&rsquo;GBK&rsquo;]);<span style="color: #008000;">//</span><span style="color: #008000;">注意参数中$start, $len都是字符数而不是字节数。</span>
로그인 후 복사

我们以UTF-8编码为例,来说明UTF8编码下中文的截取思路。

(1) 编码范围:

UTF-8的编码范围(utf-8使用1-6个字节编码字符,实际上只使用了1-4字节):

1个字节:00<span style="color: #000000;">&mdash;&mdash;7F2个字节:C080&mdash;&mdash;DFBF3个字符:E08080&mdash;&mdash;EFBFBF4个字符:F0808080&mdash;&mdash;F7BFBFBF</span>
로그인 후 복사

据此, 可以根据第一个字节的范围确定该字符所占的字节数:

<span style="color: #800080;">$ord</span> = <span style="color: #008080;">ord</span>(<span style="color: #800080;">$str</span>{<span style="color: #800080;">$i</span><span style="color: #000000;">});</span><span style="color: #800080;">$ord</span> < 192<span style="color: #000000;"> 单字节和控制字符</span>192 <= <span style="color: #800080;">$ord</span> < 224<span style="color: #000000;"> 双字节</span>224<= <span style="color: #800080;">$ord</span> < 240<span style="color: #000000;">  三字节中文并没有四个字节的字符</span>
로그인 후 복사

(2)$start为负的情况

if( $start < 0 ){    $start += cnStrlen_utf8( $str );     if( $start < 0 ){        $start = 0;    }}
로그인 후 복사

网上大多数字符串截取版本都没有处理$start< 0的情况,按照PHP substr的API设计,在$start <0 时,应该加上字符串的长度(多字节指字符数)。

其中cnStrlen_utf8用于获取字符串在utf8编码下的字符数:

function cnStrlen_utf8( $str ){    $len  = 0;    $i    = 0;    $slen = strlen( $str );    while( $i < $slen ){        $ord = ord( $str{$i} );        if( $ord < 127){            $i ++;        }else if( $ord < 224 ){            $i += 2;        }else{            $i += 3;        }        $len ++;    }        return $len;}
로그인 후 복사

因此UTF-8的截取算法为:

function cnSubstr_utf8( $str, $start, $len ){    if( $start < 0 ){        $start += cnStrlen_utf8( $str );                if( $start < 0 ){            $start = 0;        }    }            $slen = strlen( $str );        if( $len < 0 ){        $len += $slen - $start;                if($len < 0){            $len = 0;        }    }    $i = 0;        $count = 0;        /* 获取开始位置 */    while( $i < $slen && $count < $start){        $ord = ord( $str{$i} );                if( $ord < 127){            $i ++;        }else if( $ord < 224 ){            $i += 2;        }else{            $i += 3;        }        $count ++;    }        $count  = 0;    $substr = '';            /* 截取$len个字符 */    while( $i < $slen && $count < $len){        $ord = ord( $str{$i} );                if( $ord < 127){            $substr .= $str{$i};            $i ++;        }else if( $ord < 224 ){            $substr .= $str{$i} . $str{$i+1};            $i += 2;        }else{            $substr .= $str{$i} . $str{$i+1} . $str{$i+2};            $i += 3;        }        $count ++;    }        return $substr;}
로그인 후 복사

而最终的cnSubstr()可以设计如下(程序还有很多优化的余地):

function cnSubstr( $str, $start, $len, $encode = 'gbk' ){    if( extension_loaded("mbstring") ){        //echo "use mbstring";        //return mb_substr( $str, $start, $len, $encode );    }    $enc = strtolower( $encode );    switch($enc){		case 'gbk':		case 'gb2312':			return cnSubstr_gbk($str, $start, $len);			break;		case 'utf-8':		case 'utf8':			return cnSubstr_utf8($str, $start, $len);			break;		default:			//do some warning or trigger error;	}}
로그인 후 복사

简单的测试一下:

<span style="color: #800080;">$str</span> = "这是中文的字符串string,还有abs&middot; "<span style="color: #000000;">;</span><span style="color: #0000ff;">for</span>(<span style="color: #800080;">$i</span> = 0; <span style="color: #800080;">$i</span> < 10; <span style="color: #800080;">$i</span>++<span style="color: #000000;">){         </span><span style="color: #0000ff;">echo</span> cnSubstr( <span style="color: #800080;">$str</span>,  <span style="color: #800080;">$i</span>, 3, 'utf8').<span style="color: #ff00ff;">PHP_EOL</span><span style="color: #000000;">;}</span>
로그인 후 복사

最后贴一下ThinkPHP extend中提供的msubstr函数(这是用正则表达式做的substr):

function msubstr($str, $start=0, $length, $charset="utf-8", $suffix=true) {    if(function_exists("mb_substr"))        $slice = mb_substr($str, $start, $length, $charset);    elseif(function_exists('iconv_substr')) {        $slice = iconv_substr($str,$start,$length,$charset);        if(false === $slice) {            $slice = '';        }    }else{        $re['utf-8']   = "/[\x01-\x7f]|[\xc2-\xdf][\x80-\xbf]|[\xe0-\xef][\x80-\xbf]{2}|[\xf0-\xff][\x80-\xbf]{3}/";        $re['gb2312'] = "/[\x01-\x7f]|[\xb0-\xf7][\xa0-\xfe]/";        $re['gbk']    = "/[\x01-\x7f]|[\x81-\xfe][\x40-\xfe]/";        $re['big5']   = "/[\x01-\x7f]|[\x81-\xfe]([\x40-\x7e]|\xa1-\xfe])/";        preg_match_all($re[$charset], $str, $match);        $slice = join("",array_slice($match[0], $start, $length));    }    return $suffix ? $slice.'...' : $slice;}
로그인 후 복사

由于文章篇幅问题,更多的问题,这里不再细说。还是那句话,有任何问题,欢迎指出。

参考文献:

  1. http://redisbook.com/preview/sds/different_between_sds_and_c_string.html
  2. http://en.wikipedia.org/w/index.php?title=Binary-safe&redirect=no
  3. http://cn2.php.net/manual/en/ref.strings.php
관련 라벨:
원천:php.cn
본 웹사이트의 성명
본 글의 내용은 네티즌들의 자발적인 기여로 작성되었으며, 저작권은 원저작자에게 있습니다. 본 사이트는 이에 상응하는 법적 책임을 지지 않습니다. 표절이나 침해가 의심되는 콘텐츠를 발견한 경우 admin@php.cn으로 문의하세요.
인기 튜토리얼
더>
최신 다운로드
더>
웹 효과
웹사이트 소스 코드
웹사이트 자료
프론트엔드 템플릿
회사 소개 부인 성명 Sitemap
PHP 중국어 웹사이트:공공복지 온라인 PHP 교육,PHP 학습자의 빠른 성장을 도와주세요!