php 用于检测无效UTF-8字符串的正则表达式

oxosxuxt  于 2023-03-16  发布在  PHP
关注(0)|答案(4)|浏览(131)

在PHP中,我们可以使用mb_check_encoding()来判断一个字符串是否是有效的UTF-8,但这不是一个可移植的解决方案,因为它需要编译并启用mbstring扩展。此外,它不会告诉我们 * 哪个 * 字符是无效的。
是否有正则表达式(或其他100%可移植的方法)可以匹配给定字符串中的无效UTF-8字节?
这样,如果需要的话,这些字节可以被替换(保留二进制信息,例如当构建一个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会丢失信息。因此,我们可能需要转换:

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

进入

"foo<128><255>"

因此,仅仅“检测”字符串还不够好,我们需要能够检测哪些字符是无效的。

ruarlubt

ruarlubt1#

这对我检测Unicode字符,链接表情符号,俄语或中文工作:

private function has_unicode($string)
{
    $pattern = '/^.*[^\x{00}-\x{00FF}]+.*$/u';
    return preg_match($pattern, $string) ? true : false;
}
7cjasjjr

7cjasjjr2#

你可以使用这个PCRE正则表达式来检查字符串中是否有不是有效UTF-8的字节序列。如果正则表达式匹配,则字符串包含无效字节序列。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
    | (?<=[\x00-\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)

等等。
事实上,由于这与无效字节匹配,因此可以在preg_replace中使用它来替换它们:

preg_replace($regex, '', $text); // Remove all invalid UTF-8 code-points
ktca8awb

ktca8awb3#

假设PHP是用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无效的UTF-8字符串,因为这些字符串不匹配:

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

然后,您可以争辩说u修饰符(PCRE_UTF8)并不总是可用的,这是真的,可能会发生如下问题所示的情况:

然而,在我实际的开发人员生活中,这从来不是一个问题。更重要的问题是PCRE扩展根本不可用,这将使任何包含PCRE的答案都变得无用(甚至我在这里)。但大多数情况下,这个问题更多的是过去的问题,直到今天再减去几年。
在这个不知何故重复的问题中,给出了一个类似于这个问题的更长的答案:

因此,我认为这个问题应该强调建议答案带来的更多好处。

guicsvcw

guicsvcw4#

The W3C has a page (titled Multilingual form encoding),它列出了与有效UTF-8字符串匹配的以下Perl正则表达式。
(Note这与此SO问题的另一个答案中列出的正则表达式相反,后者匹配 * invalid* UTF-8字符串。)

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

$field =~
  m/\A(
     [\x00-\x7F]                        # 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;

相关问题