Unicode substr

[svdesign]

Unicode substr

Подскажите функцию возвращающую часть строки в кодировке UTF-8.
В мануале такие есть, но iconv_substr появилась только в PHP5, а mb_substr я не хочу привязыватся к модулю mbstring.

Задача у меня простая, вернуть первые несколько букв из Unicode текста. Подойдет реализация такой функции прямо на языке PHP.

 

[neko]

насколько я нифига не смыслю в этих кодировках

в utf-8
по первым четырем битам можно определить сколькими байтами закодирован символ

0000 для одного
1100 для двух байт
1110 для трех
1111 для четырех

далее посчитать непроблема
если вру, поправьте

 

[Profic]

man utf8
+ 5 минут писанины (если именно нужно первые символы), т.к. реализация будет довольно простой, ибо utf8 имеет вполне регулярную структуру.

 

[svdesign]

Автор оригинала: neko
в utf-8
по первым четырем битам можно определить сколькими байтами закодирован символ

0000 для одного
1100 для двух байт
1110 для трех
1111 для четырех

Что-то в этом есть не то, если втулить в первый байт первые четыре бита одними нулями, то у тебя будет всего 15 символов в алфавите, а должно быть минимум 127
Логично предположить что символы от 0 до 127 кодируются одним байтом, у кого первый бит установлен, т.е. от 128ми, кодируются двумя байтами, но как тогда быть с 3 и 4мя байтами?

 

[SiMM]

Насколько я не смыслю в кодировках, проблема вообще выдуманная, если ознакомиться хотя бы с азами.
Формат UTF-8
PS: правда, признаюсь честно, там не рассматриваются 4х-байтовые коды, однако тенденция вполне просматривается.

 

[svdesign]

Автор оригинала: SiMM
Насколько я не смыслю в кодировках, проблема вообще выдуманная, если ознакомиться хотя бы с азами.
Формат UTF-8
PS: правда, признаюсь честно, там не рассматриваются 4х-байтовые коды, однако тенденция вполне просматривается.

Во, другой же табак,
1 байтный символ: 0zzzzzzzz
2х байтный символ: 110yyyyy 10zzzzzz
3х байтный символ: 1110xxxx 10yyyyyy 10zzzzzz

Спасибо за ссылку.
А в чем поблема могу пояснить, вот строка в UTF-8:
Copyright Р?нтернет-агентство
Теперь дай мне первые 15 символов из этой строки также в UTF-8

 

[SiMM]

Непонимаю, в чём проблема

function isubstr($str,$from,$len){
  $ret = '';
  for ($i=$j=0; $i<$from+$len; $i++){
    $code = ord($ch=$str[$j++]);
    if ($code > 0xFB) $ch .= $str[$j++];
    if ($code > 0xF7) $ch .= $str[$j++];
    if ($code > 0xEF) $ch .= $str[$j++];
    if ($code > 0xDF) $ch .= $str[$j++];
    if ($code > 0xBF) $ch .= $str[$j++];
    if ($i >= $from) $ret .= $ch;
  }
  return $ret;
}

PS: аналог [m]substr[/m], если забыть о том, что:
1. Нет никакой валидации.
2. $from >= 0
3. $to >= 0
необходимую функциональность предлагаю реализовать своими силами
PPS: некоторые подробности брал отсюда
PPPS: ещё более простое решение можно получить при помощи регулярников

function isubstr($str,$from,$len){
  return preg_replace('#^(?:[\x00-\x7F]|[\xC0-\xFF][\x80-\xBF]+){0,'.$from.'}'.
                       '((?:[\x00-\x7F]|[\xC0-\xFF][\x80-\xBF]+){0,'.$len.'}).*#s',
                       '$1',$str);
}

 

[neko]

svdesign
ну да ошибся, не по четырем
в любом случае по первым битам