PHP从字符串中删除垃圾

Question

我遇到了一个问题，我正在使用一个非常基本的RTE来获取用户输入，并在使用RTE提供的功能发布时从字符串中修剪垃圾。我正在使用http://premiumsoftware.net/cleditor

用户提交数据后，我用PHP解析它并删除不需要的内容。大多数用户都是Linux / Mac用户，他们通常会复制电子邮件/ word文档中的内容并将其粘贴到RTE中，从而导致大量垃圾。

我们还需要允许使用任何语言的所有UTF8字符。

说完这一切，请查看此图片

正如您所看到的，在颜色注释中没有可见的特殊字符，如果我从MYSQL复制它并将其粘贴到任何地方，就不会有垃圾。但是，如果我将值转换为HEX，你可以看到，那里有一个奇怪的字符。以黄色突出显示。

有没有办法过滤这类问题。它导致我的PDF生成脚本停止工作

Answer 1

这不是“垃圾”，它是以UTF-8编码的行分隔符U+2028。如果你用ASCII / Latin-1解释它，它看起来就像垃圾一样，当用错误的字符集解释时，一切看起来像垃圾。没有什么可以删除。如果您决定要删除某些多余的字符，请随意执行此操作。但它们是原始内容的一部分，而且它们本身并没有“错误”，所以在这里没有一般建议。

如果您的PDF生成器窒息，请找出原因。也许它通常不能正确处理Unicode，在这种情况下，如果你想用它支持Unicode，你需要修复它。如果它确实有特定的字符，它就会窒息（这很奇怪），那么你需要找出这些字符的确切位置并剥离它们。

Answer 2

正如你所说它打破了你的PDF生成脚本，因为这是一个相当普通的控制字符（U + 2028）。

我要说首先要检查的一件事是你的PDF脚本有多严格或可能是错误配置，关于它应该或可以使用的字符编码。

- 编辑 - deceze在他的编辑中说： - - ）