PHP 字符串智能截取：优雅处理换行符、多字节字符与HTML内容的完整指南354

在Web开发，尤其是PHP应用中，我们经常需要对用户输入或数据库中的文本内容进行截取，以便在列表、摘要或预览中展示。这个看似简单的任务，在面对中文等多字节字符、多种换行符（如``, `\r`）、以及HTML标签时，会变得异常复杂。如果不加以正确处理，轻则导致乱码、显示不完整，重则破坏页面布局，甚至引发安全问题。

本文将作为一份详尽的指南，深入探讨PHP中字符串截取的高级技巧，重点解决以下核心挑战：
正确处理UTF-8等多字节字符编码。
智能识别和处理各种换行符，实现按行或按段落截取。
在截取包含HTML标签的字符串时，避免破坏标签结构。
提供健壮、灵活且可复用的代码解决方案。

一、PHP字符串截取的基础：`substr`与`mb_substr`

在深入探讨换行符和HTML之前，我们首先回顾PHP字符串截取的基础函数。理解它们的差异是构建智能截取函数的先决条件。

1. `substr()`：适用于单字节字符（如ASCII）

`substr(string $string, int $start, ?int $length = null): string`

这是PHP中最基本的字符串截取函数。它按照字节数进行截取。对于纯英文和数字等ASCII字符，`substr()`工作良好。但当遇到UTF-8编码的中文、日文、韩文等字符时，一个字符可能占用多个字节，`substr()`会将其截断，导致乱码或不完整。

示例：
$str_ascii = "Hello World!";
echo substr($str_ascii, 0, 5); // 输出: Hello
$str_utf8 = "你好世界！"; // UTF-8编码，一个中文字符通常占3个字节
echo substr($str_utf8, 0, 5); // 输出: 你好� (最后一个字符被截断，产生乱码)

2. `mb_substr()`：多字节字符串的最佳选择

`mb_substr(string $string, int $start, ?int $length = null, ?string $encoding = null): string`

为了解决多字节字符问题，PHP提供了多字节字符串函数（`mb_*`系列）。`mb_substr()`是其核心，它根据字符数而非字节数进行截取，并且需要指定字符编码（通常是`UTF-8`）。

在使用`mb_substr()`之前，通常建议设置内部编码：`mb_internal_encoding("UTF-8");`

示例：
mb_internal_encoding("UTF-8");
$str_utf8 = "你好世界！";
echo mb_substr($str_utf8, 0, 2); // 输出: 你好
echo mb_substr($str_utf8, 0, 4); // 输出: 你好世界
$str_mixed = "Hello 你好 World 世界！";
echo mb_substr($str_mixed, 0, 10); // 输出: Hello 你好 W

在任何需要处理非ASCII字符的场景中，务必使用`mb_substr()`来代替`substr()`，并明确指定`UTF-8`编码。

二、换行符的挑战与智能处理策略

换行符在不同的操作系统和编辑环境中表现形式各异：
Windows: `\r` (回车换行)
Unix/Linux/macOS: `` (换行)
旧版macOS: `\r` (回车)

这些差异可能导致字符串处理不一致。此外，截取字符串时是否将换行符视为普通字符，或者我们是否希望按行或按段落来截取，是我们需要思考的问题。

1. 统一化换行符

为了确保处理的统一性，一个好的做法是在处理之前将所有换行符统一转换为一种标准形式，例如``。
function normalizeNewlines(string $text): string {
return str_replace(["\r", "\r"], "", $text);
}
$text_with_mixed_newlines = "第一行\r第二行\r第三行第四行";
$normalized_text = normalizeNewlines($text_with_mixed_newlines);
echo $normalized_text;
/*
输出:
第一行
第二行
第三行
第四行
*/

这个`normalizeNewlines`函数在后续的处理中会非常有用。

2. 按总字符数截取（换行符计入字符数）

这是最常见的截取方式，即简单地将换行符视为普通字符，然后按指定的总字符数进行截取。`mb_substr()`默认就以这种方式工作。

示例：
mb_internal_encoding("UTF-8");
$long_text = "这是一段很长的文本，其中包含换行符。我们希望只显示一部分内容，然后添加省略号。";
$maxLength = 20; // 截取20个字符
$truncated_text = mb_substr($long_text, 0, $maxLength);
echo $truncated_text . '...';
// 输出: 这是一段很长的文本，
// 其中包含换行符。... (换行符被计入长度)

3. 忽略换行符，按纯文本字符数截取（扁平化）

有时，我们可能希望将文本“扁平化”为单行，并在此基础上截取。这意味着在截取前将所有换行符移除。
function truncateFlatText(string $text, int $maxLength, string $suffix = '...'): string {
mb_internal_encoding("UTF-8");
$text = normalizeNewlines($text); // 统一换行符
$text_no_newlines = str_replace("", "", $text); // 移除所有换行符
if (mb_strlen($text_no_newlines) $line) {
if ($index >= $maxLines) {
$truncated = true;
break;
}
$current_line = $line;
if ($maxCharsPerLine > 0 && mb_strlen($line) > $maxCharsPerLine) {
$current_line = mb_substr($line, 0, $maxCharsPerLine);
$truncated = true; // 如果一行就被截断了，也算截断
}
$result_lines[] = $current_line;
$total_chars += mb_strlen($current_line);
if ($maxCharsPerLine > 0 && $total_chars >= $maxCharsPerLine * $maxLines) { // 简单检查总字符数
$truncated = true;
break;
}
}
$output = implode("", $result_lines);
if ($truncated && !empty($suffix)) {
// 避免在正好达到行数但没有实际截断字符时添加省略号
if (mb_strlen($output) < mb_strlen($text) || count($result_lines) < count($lines)) {
$output .= $suffix;
}
}
return $output;
}
$multi_line_text = "第一行内容。第二行内容，非常长，需要被截断。第三行内容。第四行内容。";
echo "按2行截取:" . truncateByLines($multi_line_text, 2) . "";
// 输出:
// 按2行截取:
// 第一行内容。
// 第二行内容，非常长，需要被截断。...
echo "按2行，每行最多10个字符截取:" . truncateByLines($multi_line_text, 2, '...', 10) . "";
// 输出:
// 按2行，每行最多10个字符截取:
// 第一行内容。
// 第二行内容，非常长，...

段落截取： 如果要按段落截取，可以将`preg_split('/\R/', ...)`改为`preg_split('/\R{2,}/', ...)`，这会将两个或更多连续的换行符视为段落分隔符。

三、处理包含HTML内容的字符串截取

这是最复杂也最容易出错的场景。简单地使用`mb_substr()`截取HTML字符串，很可能会将HTML标签截断，导致页面渲染错误、不完整的标签或安全漏洞。

错误示例：
mb_internal_encoding("UTF-8");
$html_content = "

这是一段重要的文本。

";
echo mb_substr($html_content, 0, 10);
// 输出:

这是一段 (未闭合的b标签和p标签，可能导致页面混乱)

1. 剥离HTML标签再截取（最安全但有损格式）

最安全且常见的做法是先使用`strip_tags()`函数剥离所有HTML标签，然后对纯文本进行截取。这种方法会丢失所有格式信息，但能确保输出的安全性。
function truncateHtmlToPlaintext(string $html, int $maxLength, string $suffix = '...'): string {
mb_internal_encoding("UTF-8");
// 1. 剥离HTML标签
$text = strip_tags($html);
// 2. 统一并移除换行符（如果需要单行输出）
// 或者只统一换行符，让它们计入长度
$text = normalizeNewlines($text);
// 3. 如果纯文本已足够短，则直接返回
if (mb_strlen($text)

`smartTruncate`函数参数说明：
`$text`：待截取的字符串。
`$maxLength`：截取后的最大字符长度。
`$suffix`：截取后附加的省略号或自定义后缀。
`$stripTags`：布尔值，`true`表示在截取前剥离所有HTML标签，`false`则不剥离。
`$keepNewlinesAsBr`：布尔值，仅当`$stripTags`为`true`时有效。如果为`true`，会将剥离HTML后剩余的``换行符转换为HTML的`
`标签，并对整个结果进行`htmlspecialchars`转义。
`$wordBoundary`：布尔值，`true`表示尝试在最近的单词或换行符边界处截取，以避免截断单词。

注意： `smartTruncate`函数在`$stripTags`为`false`时，仍然是对原始字符串进行`mb_substr`操作。这意味着如果原始字符串是包含HTML的，并且你没有选择`$stripTags`，那么结果仍然可能是一个标签被截断的无效HTML片段。这是因为真正智能地保留HTML结构进行截取，需要非常复杂的DOM解析，超出单个通用函数的范围。

五、最佳实践与注意事项
始终使用`mb_substr()`： 只要可能涉及多字节字符（如中文），就应该使用`mb_substr()`，并明确指定`UTF-8`编码。设置`mb_internal_encoding("UTF-8");`是一个好习惯。
统一换行符： 在处理文本内容时，先用`normalizeNewlines()`等函数统一换行符，可以避免很多跨平台问题。
明确截取目的：

纯文本摘要： 使用`strip_tags()`剥离HTML后截取。
保留基本格式的文本摘要： 剥离HTML后，使用`nl2br(htmlspecialchars($text))`将换行符转为`
`。
按行/段落截取： 使用`preg_split('/\R/'`或`preg_split('/\R{2,}/'`进行拆分和拼接。
保留完整HTML结构的摘要： 强烈推荐使用专业的第三方库，如HTML Purifier，或CMS/框架自带的HTML处理功能。不要尝试自己用`mb_substr`截取原始HTML。


考虑单词边界： 为了用户阅读体验，尽量在单词或标点符号处截断，而不是在单词中间。本示例的`smartTruncate`函数包含了这一逻辑。
添加省略号： 截取后的文本通常应添加省略号（`...`）或其他提示，告知用户内容未完全显示。
性能考虑： 对于极长的字符串或大量字符串的处理，频繁的正则表达式操作（如`preg_split`）可能会有性能开销。如果性能是关键，可以考虑优化或分批处理。
边缘情况测试： 务必测试空字符串、短于截取长度的字符串、以及正好等于截取长度的字符串，确保函数行为符合预期。

六、总结

PHP字符串的换行截取并非简单的`substr()`或`mb_substr()`调用。它需要我们全面考虑多字节字符、不同类型的换行符、是否包含HTML以及如何保留文本可读性等因素。通过本文提供的`smartTruncate`函数及相关策略，您可以更灵活、更安全地在PHP应用中处理各种复杂的字符串截取需求。记住，选择最适合您特定场景的解决方案是关键，尤其是在处理HTML内容时，知晓何时使用第三方库比自己手动实现更为明智。

2026-04-18

---

下一篇：PHP 数组异或操作：原理、实现与高级应用