PHP 8中处理UTF-8与Unicode的最佳实践相关问题咨询

PHP 8 有没有改善过去的Unicode处理痛点？ #

有一定改善，但没有做到颠覆性的重构：PHP内核本身还是没有内置Unicode字符串类型，字符串本质仍然是字节数组，所以不会像Python、Go那样原生支持按Unicode字符操作。不过PHP 8 系列还是做了不少相关优化：比如8.0起新增mb_str_starts_with()、mb_str_ends_with()、mb_str_contains()等常用多字节字符串函数，不用再像旧版本那样自己写正则或者复杂的mb_substr判断；8.1起mbstring扩展性能提升了20%-30%，很多场景下和普通字符串函数的性能差距大幅缩小；8.2新增了mb_str_split()函数，补充了多字节字符串拆分的原生能力。

「全链路UTF-8」的旧建议在PHP 8里还有效吗？ #

90%以上的建议完全适用，不要因为PHP 8做了优化就跳过基础配置：

• 服务端PHP代码文件本身要保存为无BOM的UTF-8编码
• PHP.ini里默认字符集要配置为default_charset = "UTF-8"
• 数据库连接、库、表、字段全部统一用utf8mb4编码（不要用旧的utf8别名，那是3字节的不支持emoji等字符）
• 输出HTTP响应头要明确指定Content-Type: text/html; charset=UTF-8
• 前端HTML页面meta标签也要声明UTF-8编码
  这些底层链路的配置和PHP版本没有关系，任何版本没做好都会出现乱码。

标准字符串函数现在是UTF-8安全的吗？ #

不是，原生不带mb_前缀的字符串函数默认还是按字节处理的，只有部分函数是天然UTF-8安全的：
比如echo、strlen（如果要算字节数没问题，算字符数不行）、strcmp这类不涉及字符切割、位置判断的函数，处理UTF-8不会出问题；但substr、strpos、str_split这类涉及字符偏移、截取的函数，处理多字节UTF-8字符一定会出乱码，还是必须用对应的mbstring扩展下的mb_*系列函数。

PHP 8有没有处理Unicode的新方案？ #

目前官方主推的还是mbstring扩展作为标准解决方案，除此之外还有两个可选项：

1. intl扩展的Normalizer、MessageFormatter等类，处理Unicode正规化、国际化字符串格式化、排序等场景比mbstring更专业，PHP 8对intl扩展的兼容性也做了不少优化
2. 社区的成熟Unicode处理库封装了更易用的UTF-8操作API，不需要手动区分单字节多字节函数，适合复杂项目使用。

使用PHP 8处理UTF-8内容的注意事项 #

• 接收用户输入时，要先做编码校验：用mb_check_encoding($input, 'UTF-8')过滤非法编码的输入，避免恶意构造的畸形UTF-8字符导致后续处理出错
• 处理字符串时优先用mb_*系列函数，不要自己写字节操作处理UTF-8字符
• 存储到数据库前确认连接编码是utf8mb4，避免emoji、生僻字被截断
• 返回内容前不要随便对UTF-8字符串做底层字节修改，比如拼接非UTF-8的字节内容，会导致整个字符串编码异常
• 如果需要处理不同编码的输入输出，统一用mb_convert_encoding做编码转换，不要用老旧的iconv（部分场景下处理生僻字会报错截断）

内容的提问来源于stack exchange，提问作者Laef