is_utf8() – auf UTF-8 prüfen

Mit dieser PHP-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
}

# Anwendungsbeispiel
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 Fall effektiv keinen 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
}
?>

is_utf8() – auf UTF-8 prüfen

Links