如何从字符串中删除非UTF-8字符？

发布日期：2018-03-10 15:46
分类：PHP
浏览次数：275
我有一个问题是关于如何从字符串中删除无法正确显示的非UTF-8字符。例如0x97、0x61、0x6C、0x6F这些十六进制表示的字符。
删除它们的最佳方法是什么？正则表达式还是其他方法？

回答：

如下是使用正则表达式的方法：
$regex = <<<'END'/
  (
    (?: [\x00-\x7F]                 # single-byte sequences   0xxxxxxx
    |   [\xC0-\xDF][\x80-\xBF]      # double-byte sequences   110xxxxx 10xxxxxx
    |   [\xE0-\xEF][\x80-\xBF]{2}   # triple-byte sequences   1110xxxx 10xxxxxx * 2
    |   [\xF0-\xF7][\x80-\xBF]{3}   # quadruple-byte sequence 11110xxx 10xxxxxx * 3 
    ){1,100}                        # ...one or more times
  )
| .                                 # anything else
/x
END;
preg_replace($regex, '$1', $text);
该方法可以搜索UTF-8序列并将它们放入到组1中。它还会匹配出那些不被确认为UTF-8序列的一部分的单字节符号，但是不会捕获它们。将组1中捕获到的全部内容都替换到$regex中。这样就有效的去除了所有的无效字节。
可以通过将无效字节编码成UTF-8字符来修复字符串。
但是如果产生的错误是随机的，那么可能会遗留下一些奇怪的符号。 
$regex = <<<'END'
/
  (
    (?: [\x00-\x7F]               # single-byte sequences   0xxxxxxx
    |   [\xC0-\xDF][\x80-\xBF]    # double-byte sequences   110xxxxx 10xxxxxx
    |   [\xE0-\xEF][\x80-\xBF]{2} # triple-byte sequences   1110xxxx 10xxxxxx * 2
    |   [\xF0-\xF7][\x80-\xBF]{3} # quadruple-byte sequence 11110xxx 10xxxxxx * 3 
    ){1,100}                      # ...one or more times
  )
| ( [\x80-\xBF] )                 # invalid byte in range 10000000 - 10111111
| ( [\xC0-\xFF] )                 # invalid byte in range 11000000 - 11111111
/x
END;
function utf8replacer($captures) {
  if ($captures[1] != "") {
    // Valid byte sequence. Return unmodified.
    return $captures[1];
  }
  elseif ($captures[2] != "") {
    // Invalid byte of the form 10xxxxxx.
    // Encode as 11000010 10xxxxxx.
    return "\xC2".$captures[2];
  }
  else {
    // Invalid byte of the form 11xxxxxx.
    // Encode as 11000011 10xxxxxx.
    return "\xC3".chr(ord($captures[3])-64);
  }
}
preg_replace_callback($regex, "utf8replacer", $text);
注意： !empty(x) 可以匹配非空值("0" 被认为是空值).
x != "" 可以匹配非空值，包括 "0".
x !== "" 可以匹配任何值，除了 "".
在这里，使用x != "" 似乎是最好的方法。
上一篇PHP中在一定时间后进行页面重定向
销毁PHP对象的最好的方法？下一篇
下一篇 销毁PHP对象的最好的方法？

最新文章