क्या php 4-बाइट एन्कोडेड utf8 वर्णों का पता लगा सकता है?

Question

मैं एक mysql 5.1 सर्वर में एक utf8 charset mysql तालिकाओं का उपयोग कर रहा हूं, जो तालिका में utf8mb4 एन्कोडिंग का समर्थन नहीं करता है। 4-बाइट एन्कोडेड utf8 वर्णों को "","","","","","唧","" जैसे डालने पर। तालिका पॉपअप त्रुटि होगी या निम्न ग्रंथों को छोड़ देगा।

मैं PHP में 4-बाइट एन्कोडेड utf8 वर्णों को प्रोग्रामेटिक रूप से कैसे पहचान सकता हूं और उन्हें प्रतिस्थापित कर सकता हूं?

Answer 1

निम्नलिखित नियमित अभिव्यक्ति 4 बाइट UTF-8 वर्णों का स्थान ले लेगा:

function replace4byte($string, $replacement = '') { 
    return preg_replace('%(?: 
      \xF0[\x90-\xBF][\x80-\xBF]{2}  # planes 1-3 
     | [\xF1-\xF3][\x80-\xBF]{3}   # planes 4-15 
     | \xF4[\x80-\x8F][\x80-\xBF]{2}  # plane 16 
    )%xs', $replacement, $string);  
} 

var_dump(replace4byte('d'), replace4byte('dd')); 

यह /u संशोधक पर निर्भर नहीं करता है ताकि आप PCRE होने के लिए UTF-8 के बारे में चिंता करने की जरूरत नहीं होनी चाहिए संकलित। हालांकि, अगर आपके पास यह समर्थन है, तो धोखा preg_replace_callback साफ है।

(Regex Ensuring valid utf-8 in PHP से रूपांतरित)

Answer 2

यह काम करना चाहिए:

if (max(array_map('ord', str_split($string))) >= 240) 

तर्कसंगत है कि कोड जा रहा है अप करने के लिए कहते हैं और सहित U + FFFF रूप 1110xxxx 10xxxxxx 10xxxxxx के तीन बाइट्स के रूप में एन्कोड कर रहे हैं। उच्च कोड बिंदु 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx के रूप में हैं, यानी उच्चतम बाइट 240 या उच्चतम का मान है। यदि स्ट्रिंग में ऐसे बाइट्स हैं, तो यह 4-बाइट अनुक्रम के लिए संकेतक है।

आप वर्णों को निकालना चाहते हैं, यह कर देगा: सीधे उच्च कोड पॉइंट्स व्यक्त करने के लिए एक और अधिक सुरुचिपूर्ण regex तरह से हो सकता है

preg_replace_callback('/./u', function (array $match) { 
    return strlen($match[0]) >= 4 ? null : $match[0]; 
}, $string) 

हालांकि।