Question

在PHP中，我们可以使用mb_check_encoding()来确定字符串是否有效UTF-8。但这不是一个可移植的解决方案，因为它需要编译和启用mbstring扩展。此外，它不会告诉我们哪个字符无效。

是否有正则表达式（或其他100％可移植方法）可以匹配给定字符串中的无效UTF-8字节。这样，如果需要，可以替换这些字节（保留二进制信息，例如在构建包含二进制数据的测试输出xml文件时）。因此，将字符转换为UTF-8将丢失信息。所以，我们可能想转换：

"foo" . chr(128) . chr(255)

进入

"foo<128><255>"

所以只是“检测”字符串不够好，我们需要能够检测哪些字符无效。

Answer 1

您可以使用此PCRE正则表达式检查字符串中的有效UTF8。如果正则表达式匹配，则该字符串包含无效的字节序列。它是100％可移植的，因为它不依赖于PCRE_UTF8来编译。

$regex = '/(
    [\xC0-\xC1] # Invalid UTF-8 Bytes
    | [\xF5-\xFF] # Invalid UTF-8 Bytes
    | \xE0[\x80-\x9F] # Overlong encoding of prior code point
    | \xF0[\x80-\x8F] # Overlong encoding of prior code point
    | [\xC2-\xDF](?![\x80-\xBF]) # Invalid UTF-8 Sequence Start
    | [\xE0-\xEF](?![\x80-\xBF]{2}) # Invalid UTF-8 Sequence Start
    | [\xF0-\xF4](?![\x80-\xBF]{3}) # Invalid UTF-8 Sequence Start
    | (?<=[\x0-\x7F\xF5-\xFF])[\x80-\xBF] # Invalid UTF-8 Sequence Middle
    | (?<![\xC2-\xDF]|[\xE0-\xEF]|[\xE0-\xEF][\x80-\xBF]|[\xF0-\xF4]|[\xF0-\xF4][\x80-\xBF]|[\xF0-\xF4][\x80-\xBF]{2})[\x80-\xBF] # Overlong Sequence
    | (?<=[\xE0-\xEF])[\x80-\xBF](?![\x80-\xBF]) # Short 3 byte sequence
    | (?<=[\xF0-\xF4])[\x80-\xBF](?![\x80-\xBF]{2}) # Short 4 byte sequence
    | (?<=[\xF0-\xF4][\x80-\xBF])[\x80-\xBF](?![\x80-\xBF]) # Short 4 byte sequence (2)
)/x';

我们可以通过创建一些文本变体来测试它。

// Overlong encoding of code point 0
$text = chr(0xC0) . chr(0x80);
var_dump(preg_match($regex, $text)); // int(1)
// Overlong encoding of 5 byte encoding
$text = chr(0xF8) . chr(0x80) . chr(0x80) . chr(0x80) . chr(0x80);
var_dump(preg_match($regex, $text)); // int(1)
// Overlong encoding of 6 byte encoding
$text = chr(0xFC) . chr(0x80) . chr(0x80) . chr(0x80) . chr(0x80) . chr(0x80);        
var_dump(preg_match($regex, $text)); // int(1)
// High code-point without trailing characters
$text = chr(0xD0) . chr(0x01);
var_dump(preg_match($regex, $text)); // int(1)

等...

实际上，由于这与无效字节匹配，因此您可以在preg_replace中使用它来替换它们：

preg_replace($regex, '', $text); // Remove all invalid UTF-8 code-points

Answer 2

我把它放在这里是为了完整：

假设PHP是使用PCRE编译的，那么它通常也会启用UTF-8。因此，正如问题中明确要求的那样，这个非常简单的正则表达式可以检测到无效的UTF-8字符串，因为它们不匹配：

preg_match('//u', $string);

然后您可以论证u修饰符（PCRE_UTF8）并不总是可用，并且为真，这可能会发生，如此问题所示：

What is the preg_match_all u flag dependent on?

然而，在我的实际开发人员的生活中，这绝不是一个问题。更有一个问题是PCRE扩展根本不可用，这会导致包含pcre的任何答案都无用（甚至我的这里）。但大多数情况下，这个问题更像是过去的一个问题，而不是今天的问题。

在某个重复的问题中给出了一个类似于这个问题的更长的答案：

How to detect malformed utf-8 string in PHP?

所以我认为这个问题应该强调建议的答案附带的更多好处。

Answer 3

The W3C has a page (titled Multilingual form encoding)列出了以下Perl正则表达式匹配有效的UTF-8字符串。

（请注意，这与此SO问题的另一个答案中列出的正则表达式相反，该问题与无效的 UTF-8字符串匹配。）

#  Returns true if $field is UTF-8, and false otherwise.

$field =~
  m/\A(
     [\x09\x0A\x0D\x20-\x7E]            # ASCII
   | [\xC2-\xDF][\x80-\xBF]             # non-overlong 2-byte
   |  \xE0[\xA0-\xBF][\x80-\xBF]        # excluding overlongs
   | [\xE1-\xEC\xEE\xEF][\x80-\xBF]{2}  # straight 3-byte
   |  \xED[\x80-\x9F][\x80-\xBF]        # excluding surrogates
   |  \xF0[\x90-\xBF][\x80-\xBF]{2}     # planes 1-3
   | [\xF1-\xF3][\x80-\xBF]{3}          # planes 4-15
   |  \xF4[\x80-\x8F][\x80-\xBF]{2}     # plane 16
  )*\z/x;

Answer 4

这对我来说可用于检测unicode字符，链接表情符号或俄语或中文：

private function has_unicode( $string ) 
{     
    $pattern = '/^.*[^\x{00}-\x{00FF}]+.*$/u';
    return preg_match( $pattern, $string ) ? true : false;
}

正则表达式检测无效的UTF-8字符串

4 个答案: