PHPのstrlen関数で全角文字が3バイトになる件

PHPのstrlen関数で、文字列のバイト数を取得しようとしたら、全角文字1文字が2バイトではなく3バイトとしてカウントされてしまった。
全角文字の1文字＝2バイト分として数えてくれないと困る。

PHP: strlen - Manual

strlen ― 文字列の長さを得る
与えられた string の長さを返します。

PHPのマニュアルでは、「日本語の全角文字１文字を2バイト」として数えるとは一言も書いていない。
＝バイト数は、文字コードに依存する。

●UTF-8の日本語のバイト数
UTF-8 - Wikipedia

日本語の文字とバイト数
1バイト
* ASCIIの全て、およびJIS X 0201ラテン文字の円記号とオーバライン以外

2バイト
* JIS X 0201の円記号
* JIS X 0208の非漢字の一部

3バイト
* 上記以外のJIS X 0201の文字
* JIS X 0208の漢字エリアの全て
* JIS X 0212の漢字エリアの全て
* JIS X 0213の第3・4水準漢字の一部

4バイト
* UnicodeのBMP以外全て
* JIS X 0213の第3・4水準漢字の一部

5～6バイト
* Unicodeの範囲外(どんな文字が登録されるかという計画も無い)

なんだ、そういうことか。
文字コードとしてUTF-8を使っている場合、日本語の文字は1～6バイトのデータとして定義されている。
よって、strlenで日本語の文字のバイト数を数えると、1～6バイトという答えが返ってくる。
（BOMなしのUTF-8Nを使っているけど、文字数のカウントにBOMは関係ない？）

原因は分かった。
さて、どんな対策をすればいいのか？

●UTF-8をSJISに変換してカウント
この方法で解決した。

北青山通信 - from aoyama >> 全角文字は2バイトではないのでした。

echo(strlen(mb_convert_encoding($str, ‘SJIS’, ‘UTF-8′))); // 6
UTF-8のままですと、全角文字は２バイトにはなりません。しかも、正しく文字コードをしてあげないと正しい文字数になりません。
一旦、シフトJISに変換してあげて、mb_stringではないstrlen()で全角文字を2バイトで計算してくれます。

ところで、3バイト以上のデータ長を持つSJISの日本語文字ってあるのかな？
ベンダ別 SJIS コード一覧

ベンダ名　インフォミックス アスキー INFORMIX V6 ALS
コード範囲　3バイト文字:　第1バイト 0xFD　第2バイト 0xA1-0xFE　第3バイト 0xA1-0xFE
字形　規定なし

「インフォミックス アスキー」という会社は、もう潰れてなくなってしまったようだ。
とりあえず、SJISを3バイト目まで独自拡張しているベンダーはなさそうだからOK？

●bin2hex関数を使う方法
こんな対策も紹介されていた。

日本語文字列のバイト数取得にstrlenだけではダメな理由-PHP

$volm = strlen(bin2hex($data)) / 2;
// $data：バイト数を取得したいデータ
// $volm：データ長（byte）

bin2hexは、シングルバイト文字を16進数表記に変換する関数です。
16進数表記の場合、シングルバイト文字1文字は必ず2文字の16進数に変換されます。
したがって、その16進数表記の半分が、当該バイト数というわけですね。

↑テストしてみたら、思い通りの結果が得られなかったので、とりあえず不採用。

全角文字＝2バイトという固定観念は外さないといけないな。
＝同じ日本語でも、文字コードの体系によって、使用されているバイト数は異なると。

PHP 逆引きレシピ (PROGRAMMER’S RECiPE) (2009/06/30) 鈴木 憲治安藤 建一 商品詳細を見る