При разработке многоязычных сайтов для HTML-страниц наиболее удобней и предпочтительней использовать кодировку UTF-8, обеспечивающую поддержку всех или почти всех существующих языков и кодирующую ASCII-символы (латинский алфавит, цифры и специальные символы) одним байтом, а национальные алфавиты — несколькими. Таким образом, кодировка UTF-8 имеет переменную физическую длину каждого символа. В связи с этим иногда возникают проблемы при программировании мультиязычных сайтов.

К примеру, в языке программирования PHP функции strlen и substr выдают некорректные результаты, если в строке имеются символы национального алфавита (поскольку предназначены для работы с однобайтовой кодировкой). Конечно же, в PHP существуют такие функции как mb_strlen и mb_susbtr, специально предназначенные для работы с мультибайтовыми строками. Но, по умолчанию поддержка Multibyte String Functions в PHP выключена, что автоматически ограничивает выбор хостинга для проектируемого сайта. Кроме того, при подключении модуля mb_string указывается набор поддерживаемых языков. А потому существует вероятность, что требуемого Вам языка может не оказаться в списке поддерживаемых.

Впрочем, существует другое, более удобное и гибкое решение проблемы. Воспользовавшись функциями PCRE, корректно воспринимающими кодировку UTF-8, можно написать свои функции utf8_strlen и utf8_substr:

function utf8_strlen($s)

{

return preg_match_all('/./u', $s, $tmp);

}

function utf8_substr($s, $offset, $len = 'all')

{

if ($offset<0) $offset = utf8_strlen($s) + $offset;

if ($len!='all')

{

if ($len<0) $len = utf8_strlen($s) - $offset + $len;

$xlen = utf8_strlen($s) - $offset;

$len = ($len>$xlen) ? $xlen : $len;

preg_match('/^.{' . $offset . '}(.{0,'.$len.'})/us', $s, $tmp);

}

else

{

preg_match('/^.{' . $offset . '}(.*)/us', $s, $tmp);

}

return (isset($tmp[1])) ? $tmp[1] : false;

}

Продолжая тему работы со строками в кодировке UTF-8, рассмотрим еще несколько функций, работающих без установленного в PHP расширения Multibyte String Functions, а именно utf8_strpos и utf8_substr_count:

function utf8_strpos($haystack, $needle, $offset = 0)

{

# get substring (if isset offset param)

$offset = ($offset<0) ? 0 : $offset;

if ($offset>0)

{

preg_match('/^.{' . $offset . '}(.*)/us', $haystack, $dummy);

$haystack = (isset($dummy[1])) ? $dummy[1] : '';

}

# get relative pos

$p = strpos($haystack, $needle);

if ($haystack=='' or $p===false) return false;

$r = $offset;

$i = 0;

# calc real pos

while($i<$p)

{

if (ord($haystack[$i])<128)

{

# ascii symbol

$i = $i + 1;

}

else

{

# non-ascii symbol with variable length

# (handling first byte)

$bvalue = decbin(ord($haystack[$i]));

$i = $i + strlen(preg_replace('/^(1+)(.+)$/', '\1', $bvalue));

}

$r++;

}

return $r;

}

function utf8_substr_count($h, $n)

{

# preparing $n for using in reg. ex.

$n = preg_quote($n, '/');

# select all matches

preg_match_all('/' . $n . '/u', $h, $dummy);

return count($dummy[0]);

}