在 PHP 中确定并删除字符串中的不可见字符 (%E2%80%8E)

Question

我有从数据库读取的 PHP 字符串。这些字符串是 URL，乍一看它们看起来不错，但末尾似乎有一些奇怪的字符。在浏览器的地址栏中，字符串“%E2%80%8E”被附加到 URL，这会破坏 URL。

我找到了 这篇文章从 PHP 中的字符串中剥离从左到右的标记 ，它似乎与我的问题有关，但该解决方案对我不起作用，因为我的字符似乎是其他东西。

那么如何确定我拥有哪个字符，以便将其从字符串中删除呢？

（我会在这里发布一个 URL 作为示例，但是一旦我将其粘贴到此处，堆栈溢出表单就会删除末尾的字符。）

我知道我只能允许字符串中出现某些字符并丢弃所有其他字符。但我仍然想知道它是什么字符——以及它如何进入数据库。

编辑：问题已得到解答，接受的答案中给出的代码对我有用：

$str = preg_replace('/\p{C}+/u', "", $str);

Answer 1

如果输入是 utf8 编码的，可以使用 unicode regex 来匹配/删除不可见的控制字符就像 e2808e （从左到右标记）。使用 u (PCRE_UTF8) 修饰符和 \p{C} 或 \p{Other}。

删除所有不可见内容：

$str = preg_replace('/\p{C}+/u', "", $str);

这是一个列表< /a> of \p{Other}

---

检测/识别隐形物体：

$str = ".\xE2\x80\x8E.\xE2\x80\x8B.\xE2\x80\x8F";

// get invisibles + offset
if(preg_match_all('/\p{C}/u', $str, $out, PREG_OFFSET_CAPTURE))
{
  echo "<pre>\n";
  foreach($out[0] AS $k => $v) {
    echo "detected ".bin2hex($v[0])." @ offset ".$v[1]."\n";
  }
  echo "</pre>";
}

输出：

detected e2808e @ offset 1
detected e2808b @ offset 5
detected e2808f @ offset 9

在 eval.in 上进行测试

要识别，请在 Google 上查找，例如 fileformat.info:

@google: site:fileformat.info e2808e