13

Ao usar substr em uma variável com texto, ele esta retornando um caracter especial "�" alguém poderia me ajudar?

Estou usando o seguinte código:

$excerpt = get_the_content();
$excerpt = strip_shortcodes($excerpt);
$excerpt = strip_tags($excerpt);
$the_str = substr($excerpt, 0, 335);
echo $the_str . '...'; 
5
  • 1
    Suspeito que sua string seja multibyte. Nesse caso você poderia usar mb_substr. Pode postar o trecho relevante do código (e uma string de exemplo) para confirmarmos?
    – bfavaretto
    Commented 6/03/2014 às 13:26
  • @bfavaretto, consegui utilizando mb_substr, porém qual a diferença, de substr para mb_substr? Commented 6/03/2014 às 13:40
  • 1
    Postei uma resposta com a explicação.
    – bfavaretto
    Commented 6/03/2014 às 13:48
  • @bfavaretto, Obrigado! Commented 6/03/2014 às 13:49
  • 1
    Relacionado: pt.stackoverflow.com/questions/78308/… Commented 30/10/2015 às 15:27

3 Respostas 3

18

Sua string provavelmente está codificada como UTF-8, o que é desejável, pois assim você consegue representar uma quantidade imensa de caracteres especiais. Em UTF-8, certos caracteres, incluindo todos os acentuados, ocupam mais de um byte. Porém a função substr considera que cada caracter ocupa somente um byte. O que está acontecendo é que o substr está cortando um caractere no meio, pegando apenas o primeiro byte dele. Quando o browser vai exibir a saída do substr, esse byte avulso é considerado um caractere inválido.

A solução é usar a função mb_substr, que foi projetada para lidar com caracteres multibyte:

$the_str = mb_substr($excerpt, 0, 335);
13
  • Muito obrigado cara, foi de grande ajuda sua resposta! Commented 6/03/2014 às 13:50
  • O problema é que ele está usando PHP: por que o substr normal não dá suporte a UTF-8? Commented 6/03/2014 às 13:54
  • @GustavoRodrigues O motivo técnico é que as funções padrão de manipulação de strings assumem que a codificação usa apenas um byte por caractere. O motivo dessa escolha de design deve ser histórico, quando o php foi criado o utf8 ainda não era usado como padrão na web.
    – bfavaretto
    Commented 6/03/2014 às 14:08
  • E eles criam outra função por compatibilidade ao invés de alterar a antiga, causando problemas aos desenvolvedores. Daí surgem dúzias de funções com a mesma utilização mas para situações diferentes. Commented 6/03/2014 às 14:32
  • 2
    E de que adianta ficar aqui chorando as pitangas por causa disso? É assim que a linguagem é, se não gosta/consegue usar dessa forma, procure outra. Não existe linguagem perfeita. Commented 10/03/2014 às 12:18
10

Esta outra pergunta lembra que no PHP não basta usar a função correta, que, bem sugerida pelo @bfavaretto, é a mb_substr() no lugar da substr(): precisamos também configurar o PHP corretamente para as funções multibyte não causarem surpresas.

O que sugiro como configuração, a usar sempre no Português, é

setlocale(LC_ALL,'pt_BR.UTF8');
mb_internal_encoding('UTF8'); 
mb_regex_encoding('UTF8');

Usar UTF-8 e funções compativeis para tudo!

O ISO Latim I (formalmente ISO-8859-1) foi aposentado anos atrás, o W3C vem sugerindo uso de UTF-8 (ver RFC-3629) em todas as recomendações.

Da mesma forma, para sites brasileiros, a recomendação e-PING é o padrão charset UTF-8... O "padrão de fato", mais popular pelos sites minimamente sérios e "antenados" da língua portuguesa: idem, é UTF-8. Se conferir grandes portais brasileiros ou mesmo protugueses, vai ver logo no header HTML que o padrão adotado é UTF8 (ex. <meta http-equiv="Content-Type"../> do código-fonte da UOL).

Legados históricos

Quem trabalha com PHP lida com dois legados históricos que causam ainda hoje certa confusão, e por isso acho importante relembra-los:

  1. O charset ISO-Latin-1 foi durante muito tempo no Brasil e em Portugual o "padrão oficial" para páginas HTML, arquivos TXT, XML, SGML, etc. É natural, porque o UTF-8 veio depois do ISO-Latin, e justamente ele abriga na sua estrutura, sem alterações, como Bloco Unicode de Suplemento Latin-1.
    PS: A Microsoft desde o Windows 3.x, para isolar seus usuários de qualquer iniciativa de padronisação, sempre forçou o "ISO Latin Microsoft" (conhecido como "código Windows-1252"), e ainda hoje alguns programadores e web-designers brasileiros publicam HTML com esse charset. É um insulto às normas internacionais e ao usuário.

  2. O PHP tentou superar essa coisa chata de funções string duplicadas — uma biblioteca mb_* para charsets tipo UTF-8 de tamanho variável (multibyte) e outra charsets ISO 8 bits fixos — com a proposta do PHP6, mas nunca conseguiu (apesar de linguagens como o Python terem feito isso muito tempo antes). Isso causa transtorno (estamos aqui perdendo tempo com essa pergunta!) até os dias de hoje para os programadores da língua portuguesa.


Onde mais tem "pegadinha" para UTF8?

Regular expressions

Mais uma vez a multiplicidade de opções para fazer a mesma coisa no PHP, causa certa confusão. Eu já trabalhei bastante com regular expressions e tenho plena convicção de que a melhor (mais potente aceita como padrão nas demais linguagens) biblioteca é a PCRE (Perl Compatible Regular Expressions). Nunca precisei usar as funções multibyte "mb_ereg_*". A família preg_* dá conta do recado. Basta ficarmos atentos a dois detalhes,

  • Usar o modificador /u quando for usar acento ou caracter especial na própria regular expression.
  • (ver abaixo discussão) Seu script PHP precisa estar em UTF8 para entender sua regular expression em UTF8.

Contagem de palavras

A função str_word_count(), como outras tantas do PHP, tem algumas falhas para o "caso geral" de UTF8... Veja discussão aqui.

Seus scripts PHP... São UTF8?

Outro problema comum é o seu próprio script de PHP, que precisa estar também em UTF8(!). Confira com algum editor sério e confiável (jamais o NotePad do Windows!), como por exemplo SublimeText ou Textpad.

Idem bases de dados, arquivos XML, etc. Precisa estar tudo no mesmo charset, e, fácil: basta sempre configurar tudo com o "padrão universal", que é o UTF8.

1
  • Ótima resposta!
    – bfavaretto
    Commented 9/03/2014 às 13:50
3

O php coloca esse carácter estranho automaticamente quando ele não reconhece o conjunto de carácter que este carácter pertence. Para resolver o problema você precisa transformar sua string em utf8 padrão universal de caracteres

Tente usar na string utf8_encode($sua_string);

Para mais detalhes http://www.php.net/manual/pt_BR/function.utf8-encode.php

Ou tente:

$string= mb_convert_encoding(utf8_encode($sua_string), 'ISO-8859-1', 'UTF-8');
3
  • 1
    se eu adicionar utf8_encode na string ele retorna o texto assim "Eu já falei aqui da compostagem, que é a transformação de restos de comida em adubo, uma forma de diminuir o lixo orgânico e cuidar melhor de suas plantas. Hoje eu trago outra dica que também ajuda a deixar o solo mais rico em nutrientes. Se você tem um jardim ou um quintal na sua casa, tente deixar as folhas e  flores que Â..." Commented 6/03/2014 às 13:34
  • 1
    entendi, vou editar a resposta Commented 6/03/2014 às 13:39
  • O problema persiste, consegui resolver usando mb_substr no lugar de substr. Commented 6/03/2014 às 13:46

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .