1

Eu entendi como funciona o "mb_strlen", mas não entendi um exemplo:

<?php mb_strlen($string, '8bit'); ?>

O que seria esse "8-bit"???

3 Respostas 3

4

O 8bit é uma das codificações internas de caracteres suportados em funções Multibyte String - mb_[função].

Basicamente, essa codificação informa para as funções Multibyte como a string deverá ser convertida para que sejam executadas corretamente.

Por exemplo, se você executar o código abaixo vai obter as seguintes saídas:

<?php
    $string = 'ὼ'; // Caractere especial qualquer

    echo strlen($string);             // Saída: 3
    echo mb_strlen($string, '8bit');  // Saída: 3
    echo mb_strlen($string, 'UTF-8'); // Saída: 1 - CORRETO!

Concluindo, a função strlen() funciona bem para caracteres da tabela ASCII e a codificação 8bit retorna incorretamente em relação ao UTF-8. O padrão UTF-8 (Unicode) é o mais eficiente e recomendado pela W3.org.

Para saber qual é a codificação padrão setada no seu projeto, você pode executar:

<?php
    echo mb_internal_encoding(); // Aqui retornou: UTF-8

Ou para setar a codificação interna para o padrão UTF-8:

<?php
    mb_internal_encoding('UTF-8');

Aqui você pode ver a lista das codificações suportadas.

3
  • "a função strlen() funciona bem para caracteres da tabela ASCII", não, o comportamento pode ser modificado se usar o overload.
    – Inkeliz
    7/04/2018 às 11:46
  • Sim, mas o recurso de Overloading internamente utiliza as funções Multibyte String: "For example, mb_substr() is called instead of substr() if function overloading is enabled." - php.net/manual/pt_BR/mbstring.overload.php
    – user98628
    7/04/2018 às 13:42
  • Mas ainda utiliza a mesma função (você irá usar o mesmo strlen()). O comportamento da função é alterada, pior que isso, é alterada usando uma configuração disponível nativamente. Então, não há qualquer garantia de que usar strlen() será igual a usar mb_strlen(..., '8bit'), sem que saiba do overload. Nem sempre você tem controle sobre o ambiente. Se você estiver desenvolvendo um software em código aberto, por exemplo, você não possui qualquer certeza de como o ambiente está configurado, uma opção nativa do PHP modificará inteiramente o comportamento do strlen().
    – Inkeliz
    7/04/2018 às 21:34
1

O segundo parâmetro é a codificação de caracteres que você está usando. Muito provavelmente você vai querer esse parâmetro setado como UTF-8,

Caso queira entender melhor a função sugiro dar uma olhada na referência clicando aqui

1

Resumo: O strlen não é confiável, mas o usar o `mb_string(..., '8bit') nem sempre é possível.


A pergunta é interessante, pelo fato do 8bit não ser tipicamente comum, como dito nas outras respostas. Mas acho que a resposta do @Paul Imon, leva ao equivoco em vários casos. Não há nada de errado em mb_strlen('ὼ', '8bit') resultar 3, você apenas está ignorando a codificação utilizada, essa resposta é correta para 8bit.

Imagine que, por exemplo, você tenha as duas seguintes informações:

0xDF     0xBF
11011111 10111111

Isso são dois bytes qualquer, que podem (ou não) ter sido geradas de maneira uniforme. Se você estiver interessado em bytes, pouco importa sua codificação. O UTF-8 possui uma especie de "sinalização" para próximos bytes, por isso o primeiro byte indica quantos bytes existem, assim podemos trata-lo como um único caractere.

O UTF-8, por exemplo, sempre será um ASCII quando usado um único byte (0xxxxxxx), porém quando tem dois ele obrigatoriamente será (110xxxxx) e todos os bytes que não são o primeiro devem ser (10xxxxxx).

Este caractere NÃO EXISTE no UTF-8, experimente:

echo "\xDF\xBF"; //= ߿

Porém sua codificação indica que possui dois bytes, portanto executar:

echo mb_strlen("\xDF\xBF", 'UTF-8'); //= 1

Retornará 1, mesmo que o caractere nem sequer exista. Mas, este caractere existe em UTF-16LE, esse conjunto de bytes representa em UTF-16LE:

echo iconv('UTF-16LE', 'UTF-8', "\xDF\xBF"); //= 뿟

Entretanto usar 8bit irá resultar 2, afinal existem 2 bytes. Acredito que "errado" não seja a palavra que melhor descreva isso, porque todas as formas são corretas, dependendo de onde irá aplicar isso, claro.


O 8bit irá tratar cada byte individualmente, independente da codificação, ele irá tratar cada byte como um byte, da forma mais simples possível, inclusive poderá usar valores fora do ASCII, como 0xFF.

O mb_strlen(..., '8bit') deve ser usado para impedir problemas com a função de mbstring.func_overload, que apenas agora se tornou obsoleto. Este problema não é aplicável se não possuir o Multibyte String instalado.

Então a resposta do @Paul Imon volta a ficar errada. Usando um recurso nativo da linguagem configurado no php.ini modifica o strlen() inteiramente:

mbstring.func_overload = 2

Teste:

echo strlen("\xDF\xBF");  //= 1

Veja, o comportamento do strlen já não é o mesmo do mb_strlen(..., '8bit'), se você usar o mbstring.func_overload = 2.


Resumo, se você quer lidar com bytes:

$texto = "\xDF\xBF";

if (extension_loaded('mbstring') && defined('MB_OVERLOAD_STRING') && ini_get('mbstring.func_overload') & MB_OVERLOAD_STRING) {

 echo mb_strlen($texto, '8bit');

}else{

 echo strlen($texto);

}

Isso irá usar o strlen por padrão, mas se o overload estiver sendo usado, então usamos o mb_strlen para garantir que não iremos usar o strlen modificado. Lembre-se que nem todos possuem o mbstring instalado, portanto usar o mb_string(..., '8bit') como padrão não é sempre possível. Se você tem certeza de que o mbstring está instalado poderá usar somente o mb_string(..., '8bit'). ;)

4
  • "Não há nada de errado em mb_strlen('ὼ', '8bit') resultar 3" - Condordo! Porém, eu quis mostrar que em relação ao UTF-8 está incorreto, já que a W3 recomenda esse padrão para conteúdo web: "Escolha UTF-8 para qualquer conteúdo..." - "Em Unicode existem três diferentes codificações de caracteres: UTF-8, UTF-16 e UTF-32. Destas três somente UTF-8 deve ser usada para conteúdo Web".
    – user98628
    7/04/2018 às 14:04
  • @PauloImon "recomenda". A palavra diz tudo. Se você não segue, não é "incorreto", apenas não recomendado. Ainda, no mesmo texto, UTF-8 deve ser escolhido SE usar unicode. A frase se aplica claramente ao unicode, e não a web como um todo. Tem uma incorreção na sua resposta, que é a afirmação que UTF-8 é mais eficiente. UTF-8 é muito ineficiente se comparado com ISO-8859, por exemplo, pq precisa sempre de processamento. Tabelas de 256 caracteres são sempre 1:1, eficientes em espaço e processamento. Uma simples busca reversa de posição em UTF-8 precisa varrer a string toda.
    – Largato
    7/04/2018 às 14:52
  • Minha resposta está aberta à edições, fique à vontade se quiser alterar algo.
    – user98628
    7/04/2018 às 16:40
  • Por mim existe uma outra questão, além do apontado pelo Bacco. Nem sempre estamos lidando com textos, nesses casos o UTF-8 é inaplicável. Se estiver, por exemplo, lendo uma imagem ou uma chave privada estará lidando apenas com "algum conjunto de bytes arbitrários", o PHP não tem formato especifico para bytes. O OP não especifica o contexto. O principal problema, ao meu ver, é que não há garantias de que o strlen() tenha sempre o mesmo comportamento do 8bit, por isso usar o uso do mb_strlen(.., '8bit') se torna necessário.
    – Inkeliz
    7/04/2018 às 18:48

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 .