Question

它的默认UTF-8字符集中的MySQL does not support字符似乎超过3个字节。

因此，在PHP中，我如何摆脱字符串中的所有4（ - 和 - 更多）字节，并用其他字符替换它们？

Answer 1

注意：你不应该只是剥离，而是用替换字符U + FFFD替换以避免unicode攻击，主要是XSS：

http://unicode.org/reports/tr36/#Deletion_of_Noncharacters

preg_replace('/[\x{10000}-\x{10FFFF}]/u', "\xEF\xBF\xBD", $value);

Answer 2

由于4字节UTF-8序列始终以字节0xF0-0xF7开头，因此以下内容应该有效：

$str = preg_replace('/[\xF0-\xF7].../s', '', $str);

或者，您可以在UTF-8模式下使用preg_replace，但这可能会更慢：

$str = preg_replace('/[\x{10000}-\x{10FFFF}]/u', '', $str);

这是有效的，因为4字节的UTF-8序列用于从0x10000开始的补充Unicode平面中的代码点。

Answer 3

以下是一个例子：

<?php 

 mb_internal_encoding("UTF-8");

 //utf8 string,  13 bytes, 9 utf8 chars, 7 ASCII, 1 in latin1, 1 outside the BMP
 $str = "qué \xF0\x9D\x92\xB3 tal"; 
 $array = mbStringToArray($str);
 print "str: [$str]  strlen:" . strlen($str) . " chars:" . count($array) . "\n";
 $str1 = "";
 foreach($array as $c) {
   //  print "$c : " .  strlen($c)  ."\n";
   $str1 .= strlen($c)<=3? $c : '?';
 }
 print "[$str1]\n";


 function mbStringToArray ($str) {
    if (empty($str)) return false;
    $len = mb_strlen($str);
    $array = array();
    for ($i = 0; $i < $len; $i++) {
        $array[] = mb_substr($str, $i, 1);
    }
    return $array;
 }

或者，更紧凑和高效：

<?php /// 

 mb_internal_encoding("UTF-8");

 //utf8 string,  13 bytes, 9 utf8 chars, 7 ASCII, 1 in latin1, 1 outside the BMP
 $str = "qué \xF0\x9D\x92\xB3 tal";
 $str1 = trimOutsideBMP($str);
 print "original: [$str]\n";
 print "trimmed:  [$str1]\n";


 // Replaces non-BMP characters in the UTF-8 string by a '?' character 
 // Assumes UTF-8 default encoding ( if not sure, call first mb_internal_encoding("UTF-8"); )
 function trimOutsideBMP($str) {
    if (empty($str)) return $str;
    $len = mb_strlen($str);
    $str1 = '';
    for ($i = 0; $i < $len; $i++) {
        $c = mb_substr($str, $i, 1);
        $str1 .= strlen($c) <= 3 ? $c : '?';
    }
    return $str1;
 }

Answer 4

在尝试解决我自己的问题时遇到了这个问题（Facebook将某些表情符号吐出为4字节字符，Amazon Mechanical Turk不接受4字节字符）。

我最终使用了这个，不需要mbstring扩展名：

function remove_4_byte($string) {
    $char_array = preg_split('/(?<!^)(?!$)/u', $string );
    for($x=0;$x<sizeof($char_array);$x++) {
        if(strlen($char_array[$x])>3) {
            $char_array[$x] = "";
        }
    }
    return implode($char_array, "");
}

Answer 5

下面的函数将utf8字符串中的3和4个字节字符更改为'＃'：

function remove3and4bytesCharFromUtf8Str($str) {
        return preg_replace('/([\xF0-\xF7]...)|([\xE0-\xEF]..)/s', '#', $str);
    }

Answer 6

这是我的实现，用于过滤掉4字节字符

$string = preg_replace_callback(
    '/./u',
    function (array $match) {
        return strlen($match[0]) >= 4 ? null : $match[0];
    },
    $string
);

你可以调整它并用一些替换字符串替换null（删除字符）。您还可以使用其他字节长度检查替换>= 4。

Answer 7

另一种过滤器实现，更为复杂。

它会尝试音译为ASCII字符，否则会插入unicode替换字符以避免XSS，例如：<a href='java\uFEFFscript:alert("XSS")'>

$tr = preg_replace_callback('/([\x{10000}-\x{10FFFF}])/u', function($m){
    $c = iconv('ISO-8859-2', 'UTF-8',iconv('utf-8','ISO-8859-2//TRANSLIT//IGNORE', $m[1]));
    if($c == '')
        return '�';
    return $c;

}, $s);

如何在PHP中替换/删除UTF-8字符串中的4（+） - 字节字符？

7 个答案: