PHP判斷字符串是否為UTF-8編碼：基於正則匹配中文字符3字節特徵

核心邏輯：UTF-8 中文字符的字節特徵

UTF-8 編碼中，漢字等常用字符佔3個字節，字節範圍固定：

• 第1字節：0xE4 (228) ~ 0xE9 (233)
• 第2、3字節：0x80 (128) ~ 0xBF (191)

利用此規律，構造正則表達式匹配字符串中是否存在符合「3字節UTF-8漢字模式」的片段，即可判定是否為UTF-8編碼。

完整 PHP 函數

function is_utf8($str) {
    // 匹配開頭、結尾或連續2組以上的 3字節UTF-8漢字模式
    $pattern = '/^([\xE4-\xE9][\x80-\xBF][\x80-\xBF]){1}$'
             . '|^([\xE4-\xE9][\x80-\xBF][\x80-\xBF]){1}'
             . '|([\xE4-\xE9][\x80-\xBF][\x80-\xBF]){1}$'
             . '|([\xE4-\xE9][\x80-\xBF][\x80-\xBF]){2,}/';
    return (bool)preg_match($pattern, $str);
}

正則拆解說明

• ^([\xE4-\xE9][\x80-\xBF][\x80-\xBF]){1}$：整個字符串**恰好是一個**3字節UTF-8字符。
• ^([\xE4-\xE9][\x80-\xBF][\x80-\xBF]){1}：字符串**開頭**有一個3字節UTF-8字符。
• ([\xE4-\xE9][\x80-\xBF][\x80-\xBF]){1}$：字符串**結尾**有一個3字節UTF-8字符。
• ([\xE4-\xE9][\x80-\xBF][\x80-\xBF]){2,}：字符串**中間**包含**連續兩個或以上**3字節UTF-8字符。

四種情形任一滿足即返回 true，否則 false。

使用示例

$test1 = "你好世界";  // UTF-8編碼
$test2 = "hello";      // 純ASCII
$test3 = "测试";       // UTF-8編碼

var_dump(is_utf8($test1)); // bool(true)
var_dump(is_utf8($test2)); // bool(false)
var_dump(is_utf8($test3)); // bool(true)

局限性與改進方向

• 僅針對中文常用字符區塊（基本多文種平面 BMP 中 CJK 統一表意文字），Emoji、生僻字（4字節）不在檢測範圍。
• 誤判風險：某些非UTF-8編碼的二進制數據碰巧匹配該字節模式會誤報。
• 生產環境建議：使用 PHP 內置 mb_check_encoding($str, 'UTF-8') 或 mb_detect_encoding()，準確率更高、覆蓋字符集更全。

總結

本文正則方案適合快速原型、簡單過濾、無mbstring擴展環境的場景。正規項目請優先使用 PHP 多字節字符串函數庫，保證編碼檢測的權威性與完備性。