多语言字符字母到数字映射转换方法

本文深入解析为何直接使用 `strlen()` 和字符串下标访问阿拉伯语等 Unicode 字符会失败，并介绍基于 `mb_*` 多字节函数的安全解决方案，确保中文、阿拉伯语、乌尔都语等非 ASCII 字符精准映射为对应数字。

这个问题本质上并不复杂，核心在于 PHP 字符串的底层处理方式。默认情况下，字符串操作是按字节而不是按字符来进行的。英文字符（ASCII）每个只占 1 个字节，所以 `strlen($str)` 和 `$str[$i]` 这两个函数使用起来毫无问题。但一旦遇到阿拉伯语、中文、乌尔都语这类采用 UTF-8 编码的字符，麻烦就会出现——它们通常需要 2 到 4 个字节才能表示一个完整的字符。

举个最常见的例子：一个阿拉伯字母 "ب"，在 UTF-8 编码下占据 2 个字节。这时你用 `strlen("ب")` 测量，返回的不是 1，而是 2（字节数）。更严重的是，当你使用 `$input[0]` 访问这个字符时，取到的不是整个字母，而是它的前半截字节（比如 0xD8），`$input[1]` 取到的是后半截（比如 0xB1）。这两个字节单独拿出来都是非法的字节序列，根本无法与 `$remap` 中的完整 Unicode 字符键匹配。最终结果是什么？你会遇到 Undefined index 错误，或者直接输出一堆乱码和空值。

✅ 那么，正确的解决方案是什么？全程使用多字节安全函数。简单来说，就是用 `mb_strlen()` 替代 `strlen()` 来获取字符长度，用 `mb_substr($str, $start, 1)` 来提取单个 Unicode 字符——千万不要再使用 `$str[$i]` 了。

下面的代码清晰地展示了整个逻辑：

 '200',
    "ب" => '300',
    "ج" => '50',
    "د" => '100',
];

$array = [];
for ($i = 0; $i < mb_strlen($input, 'UTF-8'); $i++) {
    $c = mb_substr($input, $i, 1, 'UTF-8'); // 显式指定编码更稳妥
    if (isset($remap[$c])) {
        $array[] = $remap[$c];
    } else {
        $array[] = '?'; // 或抛出异常/跳过未知字符
    }
}
$result = "(" . implode(',', $array) . ")";
echo $result; // 输出：(300,50)

⚠️ 关键注意事项：

• 必须确保源文件保存为 UTF-8 编码（无 BOM），且 Web 服务器/PHP 输出头声明 Content-Type: text/html; charset=utf-8；
• mb_* 函数依赖 PHP 的 mbstring 扩展——请确认已启用（可通过 extension=mbstring 在 php.ini 中开启）；
• 建议始终显式传入 'UTF-8' 参数（如 mb_strlen($input, 'UTF-8')），避免因默认内部编码不一致引发隐性错误；
• 对于大规模转换，可预先验证 $remap 键是否为合法 UTF-8 字符，或使用 mb_check_encoding($c, 'UTF-8') 做输入过滤。

经过这样一番改造，你的字母数字映射工具就能无缝支持英语、阿拉伯语、乌尔都语、中文拼音乃至任何 UTF-8 编码的文字。这才是真正意义上能够应对国际化场景的健壮方案。