PHP内核探索之变量-不平凡的字符串_PHP教程
时间：2021-07-01 10:21:17
帮助过：7人阅读
PHP内核探索之变量- 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;
(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 = <<
When
[1] => I
[2] => am
[3] => down
[4] => and
[5] => oh
[6] => my
[7] => soul
[8] => so
[9] => weary
[10] => When
[11] => troubles
......
)
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：
$s = file_get_contents("./word");
$a = array_count_values(str_word_count($s, 1)) ;
arsort( $a );
print_r( $a );
/*
Array
(
[I] => 10
[me] => 7
[raise] => 6
[up] => 6
[You] => 6
[am] => 6
[on] => 6
[can] => 4
[and] => 4
[be] => 3
[so] => 3
……
);*/
（3）$format = 2
$format=2时，返回的是一个关联数组：
$a = str_word_count($s, 2);
print_r($a);
/*
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
...
)*/
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：
$t = array_flip(str_word_count($s, 2));
print_r($t);
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：
$t = array_flip( array_unique(str_word_count($s, 2)) );
print_r($t);
Array
(
[When] => 0
[I] => 5
[am] => 7
[down] => 10
[and] => 15
[oh] => 20
[my] => 23
[soul] => 26
[so] => 32
[weary] => 35
[troubles] => 46
[come] => 55
[heart] => 67
...
)
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 similar_text ( string $first , string $second [, float &$percent ] )
$t1 = "You raise me up, so I can stand on mountains";
$t2 = "You raise me up, to walk on stormy seas";
$percent = 0;
echo similar_text($t1, $t2, $percent).PHP_EOL;//26
echo $percent;// 62.650602409639
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);
}
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 * 200 / (t1串长度 + t2串长度)
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;
}
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;
}
}
}
}
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);
}
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：
String cnSubstr(string $str, int $start, int $len, [$encode=’GBK’]);//注意参数中$start, $len都是字符数而不是字节数。
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——7F
2个字节：C080——DFBF
3个字符：E08080——EFBFBF
4个字符：F0808080——F7BFBFBF
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：
$ord = ord($str{$i});
$ord < 192 单字节和控制字符
192 <= $ord < 224 双字节
224<= $ord < 240 三字节
中文并没有四个字节的字符
（2）$start为负的情况
if( $start < 0 ){
$start += cnStrlen_utf8( $str );
if( $start < 0 ){
$start = 0;
}
}
网上大多数字符串截取版本都没有处理$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;
}
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;
}
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;
}
}
简单的测试一下：
$str = "这是中文的字符串string,还有abs· ";
for($i = 0; $i < 10; $i++){
echo cnSubstr( $str, $i, 3, 'utf8').PHP_EOL;
}
最后贴一下ThinkPHP extend中提供的msubstr函数（这是用正则表达式做的substr）：
function msubstr($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;
}
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。
http://www.bkjia.com/PHPjc/976800.htmlwww.bkjia.comtruehttp://www.bkjia.com/PHPjc/976800.htmlTechArticlePHP内核探索之变量- 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...
