PHP擷取UTF8字串  

想必很多人從一開始接觸程式設計到現在，都有一個慣性思維：英文字元佔用一個位元組，中文字元佔用兩個位元組。不錯，英文字元是佔用一個位元組，但中文字元佔用兩個位元組是相對於GBK編碼而言（當然，其他一些編碼如GB2312也是），但是在時下國際流行的UTF8編碼中，一箇中文字元佔用3個位元組。不要驚訝，這是一個事實，而且應該成為一個常識。
UTF8編碼可能出現一個字元佔用1個、2個、3個甚至更多位元組的情況，如英文字元abc佔用一個位元組，中文字元佔用三個位元組，那麼什麼字元佔用兩個位元組呢？這個問題我一開始並沒有發現，只是前幾天有人留言，首頁的評論擷取竟然出現了亂碼的情況：

最開始並沒有發現這兩個亂碼出現的問題在哪裡，後來仔細驗證了下，發現是處在·這個字元上（鍵盤左上角，中文輸入法下），它佔用兩個位元組。而emlog的擷取字串函式，除了英文字元外，預設其他的都佔三個位元組了，因此導致亂碼出現。
查閱了相關資料，得出了一個結論：UTF8編碼的字元中，第一個位元組ASCII值大於等於224的，其與之後的2個位元組一起組成一個UTF8字元，第一個位元組ASCII值大於192等於小於224的，其與之後的1個位元組組成一個UTF-8字元，第一個位元組ASCII值小於192的，其本身成為一個UTF8字元。於是在PHP中將·字元的ASCII打印出來，第一個位元組是194，第二個位元組是183，木有第三個位元組了，於是擷取的字元中，若包含·字元，就會出現亂碼了。
問題找到，解決方案也就很簡單了，分別判斷處理下就OK。寫了如下函式用於擷取：

function subString($str, $start, $length) {     $i = 0;     //完整排除之前的UTF8字元     while($i < $start) {         $ord = ord($str{$i});         if($ord < 192) {             $i++;         } elseif($ord <224) {             $i += 2;         } else {             $i += 3;         }     }     //開始擷取     $result = '';     while($i < $start + $length && $i < strlen($str)) {         $ord = ord($str{$i});         if($ord < 192) {             $result .= $str{$i};             $i++;         } elseif($ord <224) {             $result .= $str{$i}.$str{$i+1};             $i += 2;         } else {             $result .= $str{$i}.$str{$i+1}.$str{$i+2};             $i += 3;         }     }     if($i < strlen($str)) {         $result .= '...';     }     return $result; }