Function in PHP to detect whether a file is UTF-8 encoded

// // 测试文本是否是utf8编码 // // 返回值： // 1 - 有BOM头的内容 // 2 - 纯utf8的内容 // 3 - 较可能是utf8的内容 // 4 - 较不可能是utf8的内容 // function utf8_check($text) { $utf8_bom = chr(0xEF).chr(0xBB).chr(0xBF); // BOM头检查 if (strstr($text, $utf8_bom) === 0) return 1; $text_len = strlen($text); // UTF-8是一种变长字节编码方式。对于某一个字符的UTF-8编码，如果只有一个字节则其最高二进制位为0； // 如果是多字节，其第一个字节从最高位开始，连续的二进制位值为1的个数决定了其编码的位数，其余各字节均以10开头。 // UTF-8最多可用到6个字节。 // // 如表： // < 0x80 1字节 0xxxxxxx // < 0xE0 2字节 110xxxxx 10xxxxxx // < 0xF0 3字节 1110xxxx 10xxxxxx 10xxxxxx // < 0xF8 4字节 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx // < 0xFC 5字节 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx // < 0xFE 6字节 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx $bad = 0; // 不符合utf8规范的字符数 $good = 0; // 符号utf8规范的字符数 $need_check = 0; // 遇到多字节的utf8字符后，需要检查的连续字节数 $have_check = 0; // 已经检查过的连续字节数 for ($i = 0; $i < $text_len; $i ++) { $c = ord($text[$i]); if ($need_check > 0) { $c = ord($text[$i]); $c = ($c >> 6) << 6; $have_check ++; // 10xxxxxx ~ 10111111 if ($c != 0x80) { $i -= $have_check; $need_check = 0; $have_check = 0; $bad ++; } else if ($need_check == $have_check) { $need_check = 0; $have_check = 0; $good ++; } continue; } if ($c < 0x80) // 0xxxxxxx $good ++; else if ($c < 0xE0) // 110xxxxx $need_check = 1; else if ($c < 0xF0) // 1110xxxx $need_check = 2; else if ($c < 0xF8) // 11110xxx $need_check = 3; else if ($c < 0xFC) // 111110xx $need_check = 4; else if ($c < 0xFE) // 1111110x $need_check = 5; else $bad ++; } if ($bad == 0) return 2; else if ($good > $bad) return 3; else return 4; }