的preg_match的unicode解析

Question

我想匹配的子集的Unicode/UTF-8字符的，（黄色标记这里http://solomon.ie/unicode/），从我的研究，我想出了这一点：

// ensure it's valid unicode/get rid of invalid UTF8 chars 
$text = iconv("UTF-8","UTF-8//IGNORE",$text); 

// and just allow a basic english...ish.. chars through - no controls, chinese etc 
$match_list = "\x{09}\x{0a}\x{0d}\x{20}-\x{7e}"; // basic ascii chars plus CR,LF and TAB 
$match_list .= "\x{a1}-\x{ff}"; // extended latin 1 chars excluding control chars 
$match_list .= "\x{20ac}"; // euro symbol 

if (preg_match("/[^$match_list]/u", $text)) 
    $error_text_array[] = "<b>INVALID UNICODE characters</b>"; 

测试似乎表明它按预期工作，但作为uniocde的新手，如果有人能够发现我忽略的任何漏洞，我将不胜感激。

我可以证实，十六进制范围匹配的Unicode码点，而不是实际的十六进制值（即x20ac代替xe282ac对于欧元符号是正确的）？

而且我可以混合文字字符和十六进制值一样的preg_match（ “/ [^ 0-9 \ X {} 20AC]/U”，$文字）？

感谢， 凯文

注意，我尝试过这个问题，但它被关闭了 - “更适合codereview.stackexchange.com”，但没有任何反应，以便希望这是确定在更再试一次更简洁的格式。

Answer 1

我创建了一个包装，以测试你的代码，我认为这是在过滤你需要的字符安全，但您的代码将导致E_NOTICE的时候才发现无效的UTF-8字符。所以我认为你应该在iconv行的开头添加@来抑制通知。

对于第二个问题，它是确定混合文字字符和十六进制值。你也可以自己尝试。 :)

<?php 
function generatechar($char) 
{ 
    $char = str_pad(dechex($char), 4, '0', STR_PAD_LEFT); 
    $unicodeChar = '\u'.$char; 
    return json_decode('"'.$unicodeChar.'"'); 
} 
function test($text) 
{ 
    // ensure it's valid unicode/get rid of invalid UTF8 chars 
    @$text = iconv("UTF-8","UTF-8//IGNORE",$text); //Add @ to surpress warning 
    // and just allow a basic english...ish.. chars through - no controls, chinese etc 
    $match_list = "\x{09}\x{0a}\x{0d}\x{20}-\x{7e}"; // basic ascii chars plus CR,LF and TAB 
    $match_list .= "\x{a1}-\x{ff}"; // extended latin 1 chars excluding control chars 
    $match_list .= "\x{20ac}"; // euro symbol 

    if (preg_match("/[^$match_list]+/u", $text) ) 
     return false; 

    if(strlen($text) == 0) 
     return false; //For testing purpose! 
    return true; 
} 

for($n=0;$n<65536;$n++) 
{ 
    $c = generatechar($n); 
    if(test($c)) 
     echo $n.':'.$c."\n"; 
}