做中文分词,本质就是字符串处理,因此,认识一下php字符串处理等常用的PHP函数是十分必要的，下面精选了20个函数并注释说明：
//字符串处理函数库
        int strlen(string str) 
                //返回字符串str的长度
        array explode(string separator,string str[,int limit) 
                //用字符串separator将另一个字符串str分开，如果separator为""则返回FALSE，否则返回字符串str分开后的子串数组
        string trim(string str[,string charlist]) 
                //从字符串头尾去除空白字符,也可指定要去除的字符 
                //注：空白字符包括：" ","\t","\n","\r","\0","\x0B",即ASCII字符----0x20,0x09,0x0A,0x0D,0x00,0x0B
        int ord(string str) 
               //返回字符串str第一个字符的ASCII码
        string bin2hex(string str)
               //将二进制数据转换为十六进制表达式
        string substr(string str,int start[,int length])
              //返回字符串str中从start处开始的length长度的子串
        mixed str_replace(mixed search,mixed replace,mixed subject[,int $count])
              //返回在subject中搜索search并用replace替换后的字符串或数组
              //如果search、replace都是用数组形式提供的，则替换关系是一一对应的
        int strpos(string haystack,string needle[,int offset])
              //返回在haystack中needle第一次出现的位置。如果找不到needle，将返回FALSE或0。
              //注：可以用第三个参数offset指定haystack开始搜寻的位置，但返回值仍相对于haystack的开始位置 
//数学函数库
        int hexdec(string hex_string) 
              //返回与hex_string参数所表示的十六进制数等值的十进制数
              //注1：所能转换的最大数值为 7fffffff，即十进制的 2147483647。
              //注2：将遇到的所有非十六进制字符替换成 0。这样，所有左边的零都被忽略，但右边的零会计入值中。如 hexdec("that") 和 hexdec("a0") 都将返回 160 
//变量函数库
        void unset(mixed var[,mixed var[, ...]])
              //销毁指定的变量。（注意：PHP4中unset()不再是真正的函数，而是一个语句，因此没有返回值）
        bool isset(mixed var[,mixed var[, ...]])
              //检测变量是否设置，var存在则返回TRUE，否则返回FALSE
              //注：若想检测常量是否已设置，可使用 defined
        bool is_array(mixed var)
              //检测变量是否是数组
        void var_dump(mixed expression[,mixed expression[,...]])
              //显示关于一个或多个表达式的结构信息，包括表达式的类型和值。数组将递归展开值，通过缩进显示其结构。
//数组函数库
        int count(mixed var[,int mode])
              //返回变量中单元数目，var通常是数组。
              //注：如果不是数组，将返回1(例外：count(NULL)=0) 
//文件系统函数库
        string dirname(string path)
              //给出一个包含有指向一个文件的全路径的字符串，并返回去掉文件名后的目录名，推荐使用反斜线"/"作为路径分隔符
        resource fopen(string filename,string mode[,int use_include_path[,resource zcontext]])
              //将filename指定的名字资源以mode方式绑定到一个流上
              //注1：mode可能值为----r,r+,w,w+,a,a+,x,x+
              //注2：如果也需要在 include_path 中搜寻文件的话，可以将可选的第三个参数 use_include_path 设为 '1' 或 TRUE。
              //注3: 不同的操作系统家族具有不同的行结束习惯。当你写入一个文本文件并想插入一个新行时，你需要使用符合你操作系统的行结束符号。基于 Unix 的系统使用 \n 作为行结束字符，基于 Windows 的系统使用 \r\n 作为行结束字符，基于 Macintosh 的系统使用 \r 作为行结束字符。如果写入文件时使用了错误的行结束符号，则其它应用程序打开这些文件时可能会表现得很怪异。Windows 下提供了一个文本转换标记（'t'）可以透明地将 \n 转换为 \r\n。与此对应你还可以使用 'b' 来强制使用二进制模式，这样就不会转换你的数据。要使用这些标记，要么用 'b' 或者用 't' 作为 mode 参数的最后一个字符。
              //注4：在 Windows 平台上，要小心转义文件路径中的每个反斜线，或者用斜线。）
              //更正: 在区分二进制文件和文本文件的系统上（如 Windows） 打开文件时，fopen() 函数的 mode 参数要加上 'b'。
        string fgets(int handle[,int length])
              //从handle指向的文件中读取一行并返回长度最多为(length-1)字节的字符串，碰到换行符(包含在返回值中)、EOF则提前停止。注：如无指定，length默认为1024字节。
        bool fclose(resource handle)
              //将handle指向的文件关闭，成功则返回TRUE
//正则表达式函数库
        bool ereg(string pattern,string str[,array regs])
              //以区分大小写的形式在str中寻找与给定的pattern所匹配的子串
              //注：如果找到匹配的字串，且函数调用了第三个参数regs，则匹配项将被存入数组regs供使用，$regs[0]包含整个匹配的字符串，$regs[1]包含第一个字串
        mixed preg_replace(mixed pattern,mixed replacement,mixed subject[,int limit])
              //执行正则表达式的搜索和替换。在subject中搜索pattern模式的匹配项并替换为replacement。
              //注：如果指定了limit，则仅替换limit个匹配，否则所有匹配项都会被替换。
        int preg_match(string pattern,string subject[,array matches[,int flags]])
              //进行正则表达式匹配。在subject中搜索与pattern模式的相匹配的内容。
              //注：如果提供了matches，则搜索结果会保存在matches数组中。$matches[0]将包含整个匹配结果。$matches[1]将包含第一个匹配结果，以此类推。
//时间日期函数库 
        string microtime(void)
              //返回格式为“msec sec”的字符串，其中 sec 是当前的 Unix 时间戳，msec 是微秒部分。本函数仅在支持 gettimeofday() 系统调用的操作系统下可用。
              //注1：字符串的两部分都是以秒为单位返回的。

---

注：

1、mixed是php中的伪类型，说明一个参数可以接受不同的但不必须是所有的类型；

2、以上函数一般需要php4支持，但多数在php3中也可正常使用。

3、斜体字部分是后来增加以及更正的。

---

为什么要用 UTF-8?
     首先 UCS 和 Unicode 只是分配整数给字符的编码表。现在存在好几种将一串字符表示为一串字节的方法。最显而易见的两种方法是将 Unicode 文本存储为 2个或 4个字节序列的串。这两种方法的正式名称分别为 UCS-2 和 UCS-4。除非另外指定, 否则大多数的字节都是这样的(Big-endian convention)。将一个 ASCII 或 Latin-1 的文件转换成 UCS-2 只需简单地在每个 ASCII 字节前插入 0x00。如果要转换成 UCS-4，则必须在每个 ASCII 字节前插入三个 0x00。 
     在 Unix 下使用 UCS-2 (或 UCS-4) 会导致非常严重的问题：用这些编码的字符串会包含一些特殊的字符，比如 '\0' 或 '/', 它们在 文件名和其他 C 库函数参数里都有特别的含义。另外，大多数使用 ASCII 文件的 UNIX 下的工具，如果不进行重大修改是无法读取 16 位的字符的。基于这些原因，在文件名、文本文件、环境变量等地方，UCS-2 不适合作为 Unicode 的外部编码。
     在 ISO 10646-1 Annex R 和 RFC 2279 里定义的 UTF-8 编码没有这些问题，它是在 Unix 风格的操作系统下使用 Unicode 的明显的方法。
UTF-8 有以下特性：

• 兼容性：UCS 字符 U+0000 到 U+007F (ASCII) 被编码为字节 0x00 到 0x7F (ASCII 兼容). 这意味着只包含 7 位 ASCII 字符的文件在 ASCII 和 UTF-8 两种编码方式下是一样的；
• 唯一性：所有 >U+007F 的 UCS 字符被编码为一个多个字节的串, 每个字节都有标记位集. 因此, ASCII 字节 (0x00-0x7F) 不可能作为任何其他字符的一部分；
• 可同步：表示非 ASCII 字符的多字节串的第一个字节总是在 0xC0 到 0xFD 的范围里，并指出这个字符包含多少个字节。多字节串的其余字节都在 0x80 到 0xBF 范围里，这使得重新同步非常容易，并使编码无国界，且很少受丢失字节的影响；
• 容量大：可以编入所有可能的 2³¹个 UCS 代码，UTF-8 编码字符理论上可以最多到 6 个字节长，然而 16 位 BMP 字符最多只用到 3 字节长；
• 顺序性：Bigendian UCS-4 字节串的排列顺序是预定的；
• 可检验：字节 0xFE 和 0xFF 在 UTF-8 编码中从未用到。

 下列字节串用来表示一个字符，用到哪个串取决于该字符在 Unicode 中的序号：
xxx 的位置由字符编码数的二进制表示的位填入，越靠右的 x 具有越少的特殊意义。只用最短的那个足够表达一个字符编码数的多字节串，注意在多字节串中，第一个字节的开头"1"的数目就是整个串中字节的数目。
例如:

Unicode 字符 U+00A9 = 1010 1001 (版权符号) 在 UTF-8 里的编码为： 11000010 10101001 = 0xC2 0xA9

Unicode字符 U+2260 = 0010 0010 0110 0000 (不等于) 编码为： 11100010 10001001 10100000 = 0xE2 0x89 0xA0     这种编码的官方名字拼写为 UTF-8，其中 UTF 代表 UCS Transformation Format。请勿在任何文档中用其他名字 (比如 utf8 或 UTF_8) 来表示 UTF-8，当然除非你指的是一个变量名而不是这种编码本身。

---

注释：

Big-endian 将一个Word（16位）中的高位的Byte（8位）放在内存中这个Word区域的低地址处的编码转换方式

以上橙色字部分是个人笔记，如有谬误，敬请斧正。