PHP 判斷字符串是否為 UTF-8 編碼的兩種高效方法

PHP 判斷字符串是否為 UTF-8 編碼的兩種高效方法

在編碼轉換（iconv、mb_convert_encoding）前檢測字符串是否已為 UTF-8，可避免重複轉碼導致亂碼。本文提供正則嚴格驗證與 mb_detect_encoding 兩種方案，並分析優缺點。

方法一：嚴格正則驗證（RFC 3629 標準）

<?php
function is_utf8($string) {
    // 來源：W3C 國際化 QA
    return (bool) preg_match('%^(?:
        [\x09\x0A\x0D\x20-\x7E]            # ASCII
      | [\xC2-\xDF][\x80-\xBF]             # 非超長 2 字節
      | \xE0[\xA0-\xBF][\x80-\xBF]         # 排除超長 3 字節
      | [\xE1-\xEC\xEE\xEF][\x80-\xBF]{2}  # 直通 3 字節
      | \xED[\x80-\x9F][\x80-\xBF]         # 排除代理區
      | \xF0[\x90-\xBF][\x80-\xBF]{2}      # 平面 1-3
      | [\xF1-\xF3][\x80-\xBF]{3}          # 平面 4-15
      | \xF4[\x80-\x8F][\x80-\xBF]{2}      # 平面 16
    )*$%xs', $string);
}
?>

✅ 優點：完全符合 UTF-8 規範，拒絕非法字節序列（如超長編碼、代理對）。
⚠️ 缺點：正則複雜，效率略低於內建函數。

方法二：mb_detect_encoding 快速檢測

<?php
function mb_is_utf8($string) {
    return mb_detect_encoding($string, 'UTF-8', true) === 'UTF-8';
}

// 多編碼檢測示例
$encoding = mb_detect_encoding($text, ['UTF-8', 'GBK', 'GB2312'], true);
switch ($encoding) {
    case 'UTF-8':  /* 已是 UTF-8 */ break;
    case 'GBK':    $text = iconv('GBK', 'UTF-8', $text); break;
    default:       /* 未知編碼處理 */ break;
}
?>

✅ 優點：C 層實現極快、API 簡潔、支持多編碼列表按順序嘗試。
⚠️ 缺點：mbstring 擴展非核心編譯（需 --enable-mbstring），極短字符串可能誤判。

性能對比（100 萬次循環）

實戰建議

1. 高性能場景：優先 mb_detect_encoding($str, 'UTF-8', true)（第三參數 true 開啟嚴格模式）。
2. 安全關鍵場景：存儲入庫、跨系統傳輸前，雙重驗證（mb_is_utf8 先篩，可疑再走正則）。
3. 無 mbstring 環境：僅用正則版 is_utf8()。
4. 批量處理：對大文件流式讀取時，抽樣檢測首 4KB 即可決定整體編碼。

擴展：輸出 UTF-8 字符的 URL 編碼形式

<?php
// 輸入「呵」→ 輸出 %E5%91%B5
echo urlencode("呵");  // 內部按腳本編碼(通常UTF-8)轉換
?>