is_utf8() – auf UTF-8 prüfen

Mit dieser Funktion lässt sich feststellen, ob eine Zeichenkette als UTF-8 kodiert ist oder nicht, oder zumindest den Anschein macht, es zu sein.
Sie prüft den String auf ungültige UTF-8-Zeichen bzw. -Bytes und gibt false zurück, falls solche gefunden wurden.
<?php
function is_utf8($str){
  $strlen = strlen($str);
  for($i=0; $i<$strlen; $i++){
    $ord = ord($str[$i]);
    if($ord < 0x80) continue; // 0bbbbbbb
    elseif(($ord&0xE0)===0xC0 && $ord>0xC1) $n = 1; // 110bbbbb (exkl C0-C1)
    elseif(($ord&0xF0)===0xE0) $n = 2; // 1110bbbb
    elseif(($ord&0xF8)===0xF0 && $ord<0xF5) $n = 3; // 11110bbb (exkl F5-FF)
    else return false; // ungültiges UTF-8-Zeichen
    for($c=0; $c<$n; $c++) // $n Folgebytes? // 10bbbbbb
      if(++$i===$strlen || (ord($str[$i])&0xC0)!==0x80)
        return false; // ungültiges UTF-8-Zeichen
  }
  return true; // kein ungültiges UTF-8-Zeichen gefunden
}

# mögliche Anwendung
echo is_utf8($str) ? $str : utf8_encode($str);
?>
Achtung: Diese Funktion kann ein falsches Resultat zurückgeben, wenn Zeichenfolgen aus ISO 8859 oder anderen Kodierungen zufälligerweise auch in UTF-8 gültig sind, doch dieses Phänomen dürfte nur bei willkürlichen Strings auftreten, nicht bei lesbaren Texten.
Wenn die Zeichenkette nur aus 7-Bit-Zeichen besteht, wird der String als UTF-8 angesehen auch wenn er in ISO 8859 kodiert ist, allerdings gibt es in diesem Falle keinen sichtbaren Unterschied zwischen den beiden Kodierungen.

Anmerkung: Es gibt eine RegEx-Methode, mit welcher man Strings ebenfalls auf UTF-8 überprüfen kann, doch ist die RegEx-Methode bei Zeichenketten mit über 100 Bytes deutlich langsamer.

Wenn man die Multibyte-String-Extension zur Verfügung hat, kann man einen String auch wie folgt auf seine Kodierung prüfen:
<?php
if(mb_detect_encoding($str, 'UTF-8, ISO-8859-1') === 'UTF-8'){
  # der String ist in UTF-8 kodiert
}
?>
Siehe auch:

• Umlautproblem
• ord()
• utf8_encode(), utf8_decode()

Idee von http://www.php.net/utf8-encode#39932