php - 用于检测无效 UTF-8 字符串的正则表达式

Question

在 PHP 中，我们可以使用 mb_check_encoding()确定字符串是否为有效的 UTF-8。但这不是一个可移植的解决方案，因为它需要编译和启用 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，可以根据需要替换这些字节(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 会丢失信息。所以，我们可能想要转换:

"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是无效的。

Answer 1

您可以使用此 PCRE 正则表达式来检查字符串中的有效 UTF-8。如果正则表达式匹配，则字符串包含无效的字节序列。它是 100% 可移植的，因为它不依赖于编译的 PCRE_UTF8。

$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...

事实上，因为它匹配无效字节，所以您可以在 preg_replace 中使用它来替换它们:

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