PHP 檢測 UTF-8 編碼的 4 種方法效能與準確度對比

判斷字串是否為合法 UTF-8 是資料清洗、匯入匯出、安全過濾的基礎需求。PHP 沒有單一完美函數，本文對比 4 種主流做法：mb_detect_encoding、PCRE 正則、手寫位元檢查、圖騰式檢測，並給出選型建議。

方法一：mb_detect_encoding()（官方推薦）

<?php
function is_utf8_mb(string $str): bool {
    return mb_detect_encoding($str, 'UTF-8', true) === 'UTF-8';
}
// 第三個參數 strict=true 關鍵，否則會誤判 ISO-8859-1 為 UTF-8
?>

• ✅ 內建、支援多編碼列表、可嚴格模式
• ⚠️ 需 mbstring 擴充套件、極短字串（<3 bytes）誤判率較高

方法二：PCRE 正則（W3C 標準模式）

<?php
function is_utf8_pcre(string $str): bool {
    // W3C 發布的 UTF-8 驗證正則（修正版）
    $pattern = '/^(
        [\x09\x0A\x0D\x20-\x7E]            # ASCII
      | [\xC2-\xDF][\x80-\xBF]             # 2 bytes
      | \xE0[\xA0-\xBF][\x80-\xBF]         # 3 bytes (排除 overlong)
      | [\xE1-\xEC\xEE\xEF][\x80-\xBF]{2}  # 3 bytes
      | \xED[\x80-\x9F][\x80-\xBF]         # 3 bytes (排除 surrogate)
      | \xF0[\x90-\xBF][\x80-\xBF]{2}      # 4 bytes (planes 1-3)
      | [\xF1-\xF3][\x80-\xBF]{3}          # 4 bytes (planes 4-15)
      | \xF4[\x80-\x8F][\x80-\xBF]{2}      # 4 bytes (plane 16)
    )*$/xs';
    return (bool)preg_match($pattern, $str);
}
?>

• ✅ 無擴充套件依賴、準確度極高（符合 RFC 3629）
• ⚠️ 正則複雜、極長字串效能較差（回溯風險）

方法三：手寫位元掃描（教學/嵌入式環境）

<?php
function is_utf8_manual(string $str): bool {
    $len = strlen($str);
    for ($i = 0; $i < $len; $i++) {
        $c = ord($str[$i]);
        if ($c <= 0x7F) continue; // ASCII
        if ($c >= 0xC2 && $c <= 0xDF) $bytes = 2;
        elseif ($c >= 0xE0 && $c <= 0xEF) $bytes = 3;
        elseif ($c >= 0xF0 && $c <= 0xF4) $bytes = 4;
        else return false; // 非法開頭位元組
        if ($i + $bytes > $len) return false; // 截斷
        for ($j = 1; $j < $bytes; $j++) {
            $b = ord($str[$i + $j]);
            if ($b < 0x80 || $b > 0xBF) return false; // 非法延續位元組
        }
        $i += $bytes - 1;
    }
    return true;
}
?>

• ✅ 純 PHP、可移植、邏輯清晰
• ⚠️ 迴圈解析慢、易寫錯邊界條件

方法四：圖騰式檢測（針對中文常見編碼）

<?php
function is_utf8_chinese(string $str): bool {
    // 僅檢測常見中文 UTF-8 範圍：E4-B8-80 到 E9-BE-A0
    return (bool)preg_match('/^[\xE4-\xE9][\x80-\xBF]{2}+$/', $str);
}
// ⚠️ 僅適用「純中文」字串，英文、標點、Emoji 會誤判
?>

效能基準測試（10 萬次，字串長度 50）

選型建議

1. 通用專案：mb_detect_encoding($str, 'UTF-8', true) — 平衡準確與效能。
2. 無 mbstring 環境：PCRE 正則版 — 標準合規、可複製貼上。
3. 高效能/長字串：考慮 C 擴充套件 utf8_valid() (PECL) 或 iconv('UTF-8', 'UTF-8', $str) === $str 技巧。
4. 安全過濾：雙重驗證（mb + PCRE），寧可誤殺不可漏報。

補充技巧：iconv 快速檢測

<?php
function is_utf8_iconv(string $str): bool {
    // 失敗回傳 false，成功回傳轉換後字串
    $converted = @iconv('UTF-8', 'UTF-8//IGNORE', $str);
    return $converted !== false && $converted === $str;
}
// //IGNORE 會移除非法位元組，若結果不同則原字串非純 UTF-8
?>