mbstring扩展导致中文乱码

本文目的

mbstring是php的一个标准扩展，源代码在php_src/ext/mbstring中。主要用于处理多字节编码的字符串，如UTF-8，GBK等。php内置的字符串处理函数（如strlen等）将字符串当作字节数组处理，如果直接用来处理中文，可能会导致中文乱码（中文编码方式可以参考这篇文章《网页中文乱码的那些事儿》）。但是，如果mbstring使用不当，也会导致乱码现象。最近就遇到这个问题，所以记录下来，作为备忘。

乱码现象

看看下面的代码：

<?php
/**
 * 清除所有常见标点符号
 */
function clear_point($pointer) {
	return mb_eregi_replace('[\s《》【】@#￥%、\[\]，\{\}。“”]+', ' ', $pointer);
}

$str = '今天，  是个《好日 子》。“不  【是吗】';
echo "原始字符串    :'{$str}'", PHP_EOL;
$stripped = clear_point($str);
echo "处理后的字符串:'{$stripped}'", PHP_EOL;

上面的代码主要是将字符串中的标点剔除（php脚本需要使用utf-8编码），执行结果如下：

出现乱码了。

原因&解决方法

导致原因很简单，虽然你使用了mbstring库中的函数处理多字节字符串，但是php仍然不知道被处理的字符串是什么编码。可以使用命令”php –i | grep mbstring”来看看相关配置，如下图：

默认的mbstring.internal_encoding的值为‘no value’，说明没有明确表示php源代码是以何种方式编码，从而导致了错误的处理方式，乱码很容易发生。

问题关键在于设置mbstring.internal_encoding，给出明确的编码规则。修改后，如下图所示（此配置在php.ini中）：

修改后，再运行命令“php –i | grep mbstring”，得到如下结果，表示修改生效：

再次运行上面的程序，得到如下结果：

没有乱码，处理后的字符串将标点全部剔除。

参考资料

• 网页中文乱码的那些事儿
• mbstring官方文档