¿Qué debo hacer para eliminar los caracteres Unicode que XHTML considera no válidos con php?

Question

Dirijo un foro diseñado para apoyar a un grupo internacional de matemáticas. Recientemente lo cambié a unicode para un mejor soporte de caracteres internacionales. Al depurar esta conversión, descubrí que no todos los caracteres Unicode se consideran XHTML válidos (el sitio web pertinente parece ser http://www.w3.org/TR/unicode-xml/). Uno de los pasos que debe seguir el software del foro antes de presentar las publicaciones en el navegador es un paso de validación/desinfección de XHTML. Parece una idea razonable que, en ese momento, elimine cualquier carácter Unicode que no le guste a XHTML.

Así que mi pregunta es:

¿Existe una norma (o mejor) manera de hacer esto en PHP?

(El foro está escrito en PHP, por cierto.)

supongo que la prueba de fallos sería un simple str_replace (si eso es también el mejor, qué tengo que hacer nada extra para asegurarse funciona correctamente con unicode?) pero eso implicaría tener que pasar por la DTD XHTML (o la página W3 mencionada anteriormente) con cuidado para averiguar qué caracteres enumerar en la búsqueda parte de str_replace, así que si este es el mejor manera, ¿alguien ya lo hizo para poder robar, errar, copiar?

(Por cierto, el personaje que causó el problema era U + 000C, el 'avance de página', que (según la página W3) es HTML válido pero XHTML válido!)

Answer 1

me encontré con una función que podría hacer lo que desee en phpedit.net.

Voy a publicar la función para el archivo, los créditos a LTP en PHPEdit.net:

/** 
* Removes invalid XML 
* 
* @access public 
* @param string $value 
* @return string 
*/ 
function stripInvalidXml($value) 
{ 
    $ret = ""; 
    $current; 
    if (empty($value)) 
    { 
     return $ret; 
    } 

    $length = strlen($value); 
    for ($i=0; $i < $length; $i++) 
    { 
     $current = ord($value{$i}); 
     if (($current == 0x9) || 
      ($current == 0xA) || 
      ($current == 0xD) || 
      (($current >= 0x20) && ($current <= 0xD7FF)) || 
      (($current >= 0xE000) && ($current <= 0xFFFD)) || 
      (($current >= 0x10000) && ($current <= 0x10FFFF))) 
     { 
      $ret .= chr($current); 
     } 
     else 
     { 
      $ret .= " "; 
     } 
    } 
    return $ret; 
} 

Answer 2

Asumiendo que su entrada es UTF-8, que puede eliminar rangos Unicode con algo como

preg_replace('~[\x{17A3}-\x{17D3}]~u', '', $input); 

Otro, y mejor enfoque consiste en eliminar todo por defecto y sólo caracteres de lista blanca que desea ver. Las propiedades Unicode (\ p) son bastante prácticas para esto. Por ejemplo, elimina todo excepto letras y números (Unicode):

preg_replace('~[^\p{L}\p{N}]~u', '', $input)