php处理敏感词时遇到的相关编码问题

在过滤敏感词这一块，由于敏感词数量较多，这时候就需要先构建一个字典树(trie)，单纯的字典树占用空间较大，使用 Double-Array Trie 或者 Ternary Search Tree 可以在保证性能的同时节省一部分空间，但是敏感词基本不会很多，几千甚至上万个词基本没压力，所以就实现就选择先构建一个字典树，然后逐字做匹配。
 
<?php
class SensitiveWordFilter
{
    private $dict;
    private $dictPath;
    public function __construct($dictPath)
    {
        $this->dict = array();
        $this->dictPath = $dictPath;
        $this->initDict();
    }
    private function initDict()
    {
        $handle = fopen($this->dictPath, 'r');
        if (!$handle) {
            throw new RuntimeException('open dictionary file error.');
        }
        while (!feof($handle)) {
            $word = trim(fgets($handle, 128));
            if (empty($word)) {
                continue;
            }
            $uWord = $this->unicodeSplit($word);
            $pdict = &$this->dict;
            $count = count($uWord);
            for ($i = 0; $i < $count; $i++) {
                if (!isset($pdict[$uWord[$i]])) {
                    $pdict[$uWord[$i]] = array();
                }
                $pdict = &$pdict[$uWord[$i]];
            }
            $pdict['end'] = true;
        }
        fclose($handle);
    }

    public function filter($str, $maxDistance = 5)
    {
        if ($maxDistance < 1) {
            $maxDistance = 1;
        }
        $uStr = $this->unicodeSplit($str);
        $count = count($uStr);
        for ($i = 0; $i < $count; $i++) {
            if (isset($this->dict[$uStr[$i]])) {
                $pdict = &$this->dict[$uStr[$i]];
                $matchIndexes = array();
                for ($j = $i + 1, $d = 0; $d < $maxDistance && $j < $count; $j++, $d++) {
                    if (isset($pdict[$uStr[$j]])) {
                        $matchIndexes[] = $j;
                        $pdict = &$pdict[$uStr[$j]];
                        $d = -1;
                    }
                }
                if (isset($pdict['end'])) {
                    $uStr[$i] = '*';
                    foreach ($matchIndexes as $k) {
                        if ($k - $i == 1) {
                            $i = $k;
                        }
                        $uStr[$k] = '*';
                    }
                }
            }
        }
        return implode($uStr);

    }
    public function unicodeSplit($str)
    {
        $str = strtolower($str);
        $ret = array();
        $len = strlen($str);
        for ($i = 0; $i < $len; $i++) {
            $c = ord($str[$i]);
            if ($c & 0x80) {
                if (($c & 0xf8) == 0xf0 && $len - $i >= 4) {
                    if ((ord($str[$i + 1]) & 0xc0) == 0x80 && (ord($str[$i + 2]) & 0xc0) == 0x80 && (ord($str[$i + 3]) & 0xc0) == 0x80) {
                        $uc = substr($str, $i, 4);
                        $ret[] = $uc;
                        $i += 3;
                    }
                } else if (($c & 0xf0) == 0xe0 && $len - $i >= 3) {
                    if ((ord($str[$i + 1]) & 0xc0) == 0x80 && (ord($str[$i + 2]) & 0xc0) == 0x80) {
                        $uc = substr($str, $i, 3);
                        $ret[] = $uc;
                        $i += 2;
                    }
                } else if (($c & 0xe0) == 0xc0 && $len - $i >= 2) {
                    if ((ord($str[$i + 1])  & 0xc0) == 0x80) {
                        $uc = substr($str, $i, 2);
                        $ret[] = $uc;
                        $i += 1;
                    }
                }
            } else {
                $ret[] = $str[$i];
            }
        }
        return $ret;
    }
}
使用方法
<?php
require 'SensitiveWordFilter.php';
$filter = new SensitiveWordFilter(__DIR__ . '/sensitive_words.txt');
$filter->filter('这是一个敏感词', 10);
其中，unicodeSplit函数实现将从文件中获取的汉字，一个一个分离出来，那么，判断每个汉字占用几个字节，是该函数的关键所在，该算法针对UTF-8编码。


UTF-8格式字节
4中情况分别是：
1、一个字节: 0XXXXXXX，低7位为有效数据，内码是0x0~0x7f
 2、两个字节: 110XXXXX 10YYYYYY，低5位+低6位为有效数据，内码是0x80~0x7ff
 3、三个字节：1110XXXX 10YYYYYY 10ZZZZZZ，低4位+低6位+低6位 为有效数据，内码是0x800~0xffff，除掉几个保留的特殊内码
4、四个字节: 11110AAA 10XXXXXX 10XXXXXX 10XXXXXX，低3位 +低6位 +低6位 +低6位为有效数据，内码是0x10000~0x10ffff

按前面1的个数就能区分每个字占了多少个字节。


这就是为什么unicodeSplit会出现0x80,0xf0,0xe0,0xc0,