Detección de caracteres " " desconocida Unicode en PHP

Question

¿Hay alguna forma en PHP de detectar el siguiente carácter �?

Actualmente estoy solucionando un número de problemas de codificación UTF-8 con algunos algoritmos diferentes y necesito poder detectar si � está presente en una cadena. ¿Cómo lo hago con strpos?

Simplemente pegar el caracter en mi base de código no parece funcionar.

if (strpos($names['decode'], '?') !== false || strpos($names['decode'], '�') !== false) 

Answer 1

La conversión de una cadena UTF-8 en UTF-8 utilizando iconv() utilizando el parámetro //IGNORE produce un resultado donde los caracteres UTF-8 no válidos se eliminan.

Por lo tanto, puede detectar un carácter roto comparando la longitud de la cadena antes y después de la operación iconv. Si difieren, contenían un carácter roto.

caso de prueba (asegúrese de guardar el archivo como UTF-8):

<?php 

header("Content-type: text/html; charset=utf-8"); 

$teststring = "Düsseldorf"; 

// Deliberately create broken string 
// by encoding the original string as ISO-8859-1 
$teststring_broken = utf8_decode($teststring); 

echo "Broken string: ".$teststring_broken ; 

echo "<br>"; 

$teststring_converted = iconv("UTF-8", "UTF-8//IGNORE", $teststring_broken); 

echo $teststring_converted; 

echo "<br>"; 

if (strlen($teststring_converted) != strlen($teststring_broken )) 
echo "The string contained an invalid character"; 

en teoría, se podría caer //IGNORE y simplemente prueba para un fallido (vacío) iconv operación, pero puede haber otros razones para que un ícono falle solo caracteres inválidos ... No lo sé. Usaría el método de comparación.

Answer 2

Por lo que yo sé, que el símbolo de interrogación no es un solo carácter. Hay muchos códigos de caracteres diferentes en los conjuntos de fuentes estándar que no están asignados a un símbolo, y ese es el símbolo predeterminado que se utiliza. Para hacer la detección en PHP, primero necesita saber qué tipo de letra está usando. Luego, debe observar la implementación de fuentes y ver qué rangos de códigos asignan al "?" símbolo, y luego ver si el personaje dado está en uno de esos rangos.

Answer 3

Aquí es lo que hago para detectar y corregir la codificación de las cadenas no codificados en UTF-8 cuando eso es lo que estoy esperando:

$encoding = mb_detect_encoding($str, 'utf-8, iso-8859-1, ascii', true); 
    if (strcasecmp($encoding, 'UTF-8') !== 0) { 
     $str = iconv($encoding, 'utf-8', $str); 
    } 

Answer 4

uso el método personalizado (usando str_replace) para desinfectar indefinido personajes:

$input='a³'; 

    $text=str_replace("\n\n", "sample000"  ,$text); 
    $text=str_replace("\n", "sample111"  ,$text); 

    $text=filter_var($text,FILTER_SANITIZE_SPECIAL_CHARS, FILTER_FLAG_STRIP_LOW); 

    $text=str_replace("sample000", "<br/><br/>" ,$text); 
    $text=str_replace("sample111", "<br/>"  ,$text); 

    echo $text; //outputs ------------> a3