您现在的位置：程式碼之家 >> 編程語言 > >> C語言 >> C >> 關於C

PHP 判斷字串是否為 UTF-8 編碼：正則表達式實作解析

編輯：關於C

問題背景

在處理多語系資料時，常需判斷字串是否為合法 UTF-8 編碼。PHP 內建 mb_check_encoding() 可直接完成，但若需自行實作或理解底層邏輯，可透過正則表達式檢查 UTF-8 位元組模式。

UTF-8 編碼規則速查

單位元組 (ASCII)：0xxxxxxx (0x00–0x7F)
雙位元組：110xxxxx 10xxxxxx (0xC0–0xDF 開頭 + 0x80–0xBF 續位元組)
三位元組：1110xxxx 10xxxxxx 10xxxxxx (0xE0–0xEF 開頭 + 兩個續位元組)
四位元組：11110xxx 10xxxxxx 10xxxxxx 10xxxxxx (0xF0–0xF7 開頭 + 三個續位元組)

中文常見字多落在三位元組範圍（0xE0–0xEF 開頭）。

原始碼分析

function is_utf8($str) {
    // 正則 1：字串開頭符合「三位元組 UTF-8」模式
    $cond1 = preg_match('/^(['.chr(228).'-'.chr(233).']['.chr(128).'-'.chr(191).']['.chr(128).'-'.chr(191).']){1}/', $str);
    // 正則 2：字串結尾符合「三位元組 UTF-8」模式
    $cond2 = preg_match('/(['.chr(228).'-'.chr(233).']['.chr(128).'-'.chr(191).']['.chr(128).'-'.chr(191).']){1}$/', $str);
    // 正則 3：字串中包含「至少兩組連續三位元組 UTF-8」模式
    $cond3 = preg_match('/(['.chr(228).'-'.chr(233).']['.chr(128).'-'.chr(191).']['.chr(128).'-'.chr(191).']){2,}/', $str);

    return ($cond1 || $cond2 || $cond3);
}

程式碼解析

部分	對應位元組範圍	含義
`chr(228)-chr(233)`	0xE4–0xE9	三位元組 UTF-8 首位元組（涵蓋大部分中日韓統一表意文字）
`chr(128)-chr(191)`	0x80–0xBF	UTF-8 續位元組固定範圍
`{1}`	—	單組三位元組序列
`{2,}`	—	至少兩組連續三位元組序列

優缺點評析

優點

無需安裝 mbstring 擴展即可運作。
針對「含中文」字串的快速檢測效果尚可。

缺點與風險

覆蓋範圍不完整：僅檢查 0xE4–0xE9 開頭的三位元組，漏掉 0xE0–0xE3、0xEA–0xEF 以及二/四位元組字符。
誤判風險：純 ASCII 字串會回傳 false（實際上 ASCII 是合法 UTF-8 子集）。
無法驗證完整結構：無法偵測「截斷的多位元組序列」、「過長編碼」等非法 UTF-8。

建議的最佳實務

// 1. 內建函數（推薦，PHP 5.2+）
function is_utf8_builtin($str) {
    return mb_check_encoding($str, 'UTF-8');
}

// 2. 完整正則（符合 RFC 3629，PHP 7.1+ 支援 \u 逃逸）
function is_utf8_strict($str) {
    return (bool)preg_match('~^([\x00-\x7F]|[\xC2-\xDF][\x80-\xBF]|\xE0[\xA0-\xBF][\x80-\xBF]|[\xE1-\xEC\xEE-\xEF][\x80-\xBF]{2}|\xED[\x80-\x9F][\x80-\xBF]|\xF0[\x90-\xBF][\x80-\xBF]{2}|[\xF1-\xF3][\x80-\xBF]{3}|\xF4[\x80-\x8F][\x80-\xBF]{2})*$~', $str);
}

// 3. 簡易檢查：嘗試轉碼，失敗即非 UTF-8
function is_utf8_pragmatic($str) {
    return @iconv('UTF-8', 'UTF-8//IGNORE', $str) === $str;
}