preg_replace para eliminar los caracteres no imprimibles parece eliminar todos los caracteres extraños

Question

Estoy usando la siguiente expresión regular para eliminar los caracteres de control que no son de impresión de la entrada del usuario antes de insertar los valores en la base de datos.

preg_replace('/[\x00-\x1F\x80-\xFF]/', '', $value) 

¿Hay algún problema con el uso de esto en las cadenas utf-8? Parece eliminar por completo todos los caracteres no ascii.

Answer 1

Parte del problema es que no está tratando el objetivo como una cadena UTF-8; necesita el modificador /u para eso. Además, en UTF-8, cualquier carácter no ASCII está representado por dos o más bytes, todos ellos en el rango \x80..\xFF. Prueba esto:

preg_replace('/\p{Cc}+/u', '', $value) 

\p{Cc} es la propiedad Unicode para caracteres de control, y las causas u tanto la expresión regular y la cadena de destino que ha de tratarse como UTF-8.

Answer 2

Puede utilizar Unicode character properties

preg_replace('/[^\p{L}\s]/u','',$value); 

(se suman las otras clases que desea dejar pasar)

Si desea revertir Unicode a ASCII, de ninguna manera fullproof pero con algunas traducciones bonito:

echo iconv('utf-8','ascii//translit','éñó'); //prints 'eno'