正则表达式检测无效的UTF-8字符串

Question

在PHP中，我们可以mb_check_encoding()用来确定字符串是否为有效的UTF-8。但这不是可移植的解决方案，因为它需要编译并启用mbstring扩展名。此外，它不会告诉我们
哪个 字符无效。

是否存在可以匹配给定字符串中无效的UTF-8字节的正则表达式（或其他100％可移植的其他方法）。这样，可以在需要时替换那些字节（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。因此，我们可能要转换：

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

进入

"foo<128><255>"

因此，仅“检测”该字符串不够好，我们就需要能够检测到哪些字符无效。

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，则该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PCRE_UTF8进行编译。

$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对其进行测试：

// 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…

实际上，由于此匹配无效字节，因此可以在preg_replace中使用它替换掉它们：

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