使用PHP从UTF-8字符串中删除控制字符

Question

所以我正在客户端（在输入后）删除控制字符（制表符、回车、换行符、\v和所有其他不可见字符），但由于不能信任客户端，我也必须在服务器上删除它们。

因此根据这个链接 http://www.utf8-chartable.de/

控制字符的范围是从x00到1F和从7F到9F。 因此，我的客户端（javascript）控制字符删除函数如下：

return s.replace(/[\x00-\x1F\x7F-\x9F]/g, "");

我的PHP（服务器端）控制字符移除函数是：

$s = preg_replace('/[\x00-\x1F\x7F-\x9F]/', '', $s);

现在这似乎会导致国际UTF8字符（如PHP中的ς（xCF x82））出现问题，仅限于PHP（因为x82位于第二个序列组内），JavaScript等价物不会创建任何问题。

现在我的问题是，我应该删除7F到9F之间的控制字符吗？据我所知，127到159（7F到9F）的这些序列显然可以成为有效的UTF-8字符串的一部分?

同时，也许我甚至不应该过滤00到31的控制字符，因为其中一些字符也可以出现在某些奇怪（日语？中文？）但有效的UTF-8字符中?

- MirrorMirror

---

也许这可以帮助你：https://dev59.com/vWcs5IYBdhLWcg3w1XXZ 这是一个不同的正则表达式。 - Avatar

Answer 1

看起来我只需要在正则表达式中加入u标志，它变成了：

$s = preg_replace('/[\x00-\x1F\x7F-\x9F]/u', '', $s);

- MirrorMirror

Answer 2

我应该删除从7F到9F的控制字符吗？据我了解，从127到159（7F到9F）的这些序列显然可以是有效的UTF-8字符串的一部分？

除了\x7F之外，你不应该删除它们，因为它们在UTF-8中是低代理项。

---

也许我甚至不应该过滤掉00到31个控制字符，因为这些字符中的一些也可能出现在某些奇怪但有效的UTF-8字符（比如日语或中文字符）中？

这些控制字符在UTF-8中仍然是控制字符。它们的存在可能意味着一个Mojibake; 如果你想要纠正它，保留它们，否则就过滤掉它们。

- Константин Ван