如何处理用户输入的无效UTF-8字符？

Question

我正在寻找有关如何处理来自用户的无效UTF-8输入的一般策略/建议。

即使我的Web应用程序使用UTF-8，还是有些用户输入了无效字符。这会导致PHP的json_encode（）错误，并且总体而言似乎是个坏主意。

W3C I18N常见问题解答：多语言形式说：“如果接收到非UTF-8数据，则应将错误消息发送回去。”。

• 在整个站点中有数十个可以输入数据的站点中，实际上该怎么做呢？
• 您如何以有用的方式向用户显示错误？
• 您如何临时存储和显示错误的表单数据，以使用户不会丢失所有文本？去除不良字符？使用替换字符，如何？
• 对于数据库中的现有数据，当检测到无效的UTF-8数据时，我应该尝试将其转换并保存回去（如何？utf8_encode（）？mb_convert_encoding（）吗？），或者按原样保留在数据库中但要执行某些操作（什么？）在json_encode（）之前？

编辑：我对mbstring扩展非常熟悉，而不是问“ UTF-8如何在PHP中工作”。 我想从经验丰富的人那里得到建议，以了解他们如何处理此问题。

EDIT2：作为解决方案的一部分，我真的很想看到一种 将无效字符转换为U + FFFD 的 快速 方法

Answer 1

该accept-charset="UTF-8"属性仅是浏览器要遵循的准则，并不强迫他们以这种方式提交，笨拙的表单提交机器人就是一个很好的例子…

我最常做的就是忽略坏的字符，无论是通过iconv()还是有不太可靠utf8_encode()/
utf8_decode()功能，如果你使用iconv你也有音译坏字符的选项。

这是一个使用示例iconv()：

$str_ignore = iconv('UTF-8', 'UTF-8//IGNORE', $str);
$str_translit = iconv('UTF-8', 'UTF-8//TRANSLIT', $str);

如果您想向您的用户显示错误消息，我可能会以全局方式而不是按接收到的每个值来执行此操作，类似这样的操作可能会很好：

function utf8_clean($str)
{
    return iconv('UTF-8', 'UTF-8//IGNORE', $str);
}

$clean_GET = array_map('utf8_clean', $_GET);

if (serialize($_GET) != serialize($clean_GET))
{
    $_GET = $clean_GET;
    $error_msg = 'Your data is not valid UTF-8 and has been stripped.';
}

// $_GET is clean!

您可能还需要规范化新行并去除（不）可见的控制字符，如下所示：

function Clean($string, $control = true)
{
    $string = iconv('UTF-8', 'UTF-8//IGNORE', $string);

    if ($control === true)
    {
            return preg_replace('~\p{C}+~u', '', $string);
    }

    return preg_replace(array('~\r\n?~', '~[^\P{C}\t\n]+~u'), array("\n", ''), $string);
}

从UTF-8转换为Unicode代码点的代码：

function Codepoint($char)
{
    $result = null;
    $codepoint = unpack('N', iconv('UTF-8', 'UCS-4BE', $char));

    if (is_array($codepoint) && array_key_exists(1, $codepoint))
    {
        $result = sprintf('U+%04X', $codepoint[1]);
    }

    return $result;
}

echo Codepoint('à'); // U+00E0
echo Codepoint('ひ'); // U+3072

可能 比任何其他替代产品都快，但是尚未对其进行广泛的测试。

例：

$string = 'hello world�';

// U+FFFEhello worldU+FFFD
echo preg_replace_callback('/[\p{So}\p{Cf}\p{Co}\p{Cs}\p{Cn}]/u', 'Bad_Codepoint', $string);

function Bad_Codepoint($string)
{
    $result = array();

    foreach ((array) $string as $char)
    {
        $codepoint = unpack('N', iconv('UTF-8', 'UCS-4BE', $char));

        if (is_array($codepoint) && array_key_exists(1, $codepoint))
        {
            $result[] = sprintf('U+%04X', $codepoint[1]);
        }
    }

    return implode('', $result);
}

这是您要找的东西吗？