source: trunk/web/punbb/include/utf8/utils/validation.php @ 7

Last change on this file since 7 was 6, checked in by dj3c1t, 13 years ago

mise a jour du trunk

File size: 5.3 KB
Line 
1<?php
2
3/**
4* @version $Id: validation.php,v 1.2 2006/02/26 13:20:44 harryf Exp $
5* Tools for validing a UTF-8 string is well formed.
6* The Original Code is Mozilla Communicator client code.
7* The Initial Developer of the Original Code is
8* Netscape Communications Corporation.
9* Portions created by the Initial Developer are Copyright (C) 1998
10* the Initial Developer. All Rights Reserved.
11* Ported to PHP by Henri Sivonen (http://hsivonen.iki.fi)
12* Slight modifications to fit with phputf8 library by Harry Fuecks (hfuecks gmail com)
13* @see http://lxr.mozilla.org/seamonkey/source/intl/uconv/src/nsUTF8ToUnicode.cpp
14* @see http://lxr.mozilla.org/seamonkey/source/intl/uconv/src/nsUnicodeToUTF8.cpp
15* @see http://hsivonen.iki.fi/php-utf8/
16* @package utf8
17* @subpackage validation
18*/
19
20/**
21* Tests a string as to whether it's valid UTF-8 and supported by the
22* Unicode standard
23* Note: this function has been modified to simple return true or false
24* @author <hsivonen@iki.fi>
25* @param string UTF-8 encoded string
26* @return boolean true if valid
27* @see http://hsivonen.iki.fi/php-utf8/
28* @see utf8_compliant
29* @package utf8
30* @subpackage validation
31*/
32function utf8_is_valid($str)
33{
34        $mState = 0;    // Cached expected number of octets after the current octet
35                                        // until the beginning of the next UTF8 character sequence
36        $mUcs4  = 0;    // Cached Unicode character
37        $mBytes = 1;    // Cached expected number of octets in the current sequence
38
39        $len = strlen($str);
40
41        for($i = 0; $i < $len; $i++)
42        {
43                $in = ord($str{$i});
44
45                if ( $mState == 0)
46                {
47                        // When mState is zero we expect either a US-ASCII character or a multi-octet sequence.
48                        if (0 == (0x80 & ($in)))
49                        {
50                                $mBytes = 1; // US-ASCII, pass straight through
51                        }
52                        else if (0xC0 == (0xE0 & ($in)))
53                        {
54                                // First octet of 2 octet sequence
55                                $mUcs4 = ($in);
56                                $mUcs4 = ($mUcs4 & 0x1F) << 6;
57                                $mState = 1;
58                                $mBytes = 2;
59                        }
60                        else if (0xE0 == (0xF0 & ($in)))
61                        {
62                                // First octet of 3 octet sequence
63                                $mUcs4 = ($in);
64                                $mUcs4 = ($mUcs4 & 0x0F) << 12;
65                                $mState = 2;
66                                $mBytes = 3;
67                        }
68                        else if (0xF0 == (0xF8 & ($in)))
69                        {
70                                // First octet of 4 octet sequence
71                                $mUcs4 = ($in);
72                                $mUcs4 = ($mUcs4 & 0x07) << 18;
73                                $mState = 3;
74                                $mBytes = 4;
75                        }
76                        else if (0xF8 == (0xFC & ($in)))
77                        {
78                                /* First octet of 5 octet sequence.
79                                *
80                                * This is illegal because the encoded codepoint must be either
81                                * (a) not the shortest form or
82                                * (b) outside the Unicode range of 0-0x10FFFF.
83                                * Rather than trying to resynchronize, we will carry on until the end
84                                * of the sequence and let the later error handling code catch it.
85                                */
86                                $mUcs4 = ($in);
87                                $mUcs4 = ($mUcs4 & 0x03) << 24;
88                                $mState = 4;
89                                $mBytes = 5;
90                        }
91                        else if (0xFC == (0xFE & ($in)))
92                        {
93                                // First octet of 6 octet sequence, see comments for 5 octet sequence.
94                                $mUcs4 = ($in);
95                                $mUcs4 = ($mUcs4 & 1) << 30;
96                                $mState = 5;
97                                $mBytes = 6;
98                        }
99                        else
100                        {
101                                // Current octet is neither in the US-ASCII range nor a legal first octet of a multi-octet sequence.
102                                return false;
103                        }
104                }
105                else
106                {
107                        // When mState is non-zero, we expect a continuation of the multi-octet sequence
108                        if (0x80 == (0xC0 & ($in)))
109                        {
110                                // Legal continuation.
111                                $shift = ($mState - 1) * 6;
112                                $tmp = $in;
113                                $tmp = ($tmp & 0x0000003F) << $shift;
114                                $mUcs4 |= $tmp;
115
116                                /**
117                                * End of the multi-octet sequence. mUcs4 now contains the final
118                                * Unicode codepoint to be output
119                                */
120                                if (0 == --$mState)
121                                {
122                                        /*
123                                        * Check for illegal sequences and codepoints.
124                                        */
125                                        // From Unicode 3.1, non-shortest form is illegal
126                                        if (((2 == $mBytes) && ($mUcs4 < 0x0080)) || ((3 == $mBytes) && ($mUcs4 < 0x0800)) ||
127                                        ((4 == $mBytes) && ($mUcs4 < 0x10000)) || (4 < $mBytes) ||
128                                        // From Unicode 3.2, surrogate characters are illegal
129                                        (($mUcs4 & 0xFFFFF800) == 0xD800) ||
130                                        // Codepoints outside the Unicode range are illegal
131                                        ($mUcs4 > 0x10FFFF))
132                                        {
133                                                return FALSE;
134                                        }
135
136                                        // Initialize UTF8 cache
137                                        $mState = 0;
138                                        $mUcs4  = 0;
139                                        $mBytes = 1;
140                                }
141                        }
142                        else
143                        {
144                                /**
145                                *((0xC0 & (*in) != 0x80) && (mState != 0))
146                                * Incomplete multi-octet sequence.
147                                */
148
149                                return false;
150                        }
151                }
152        }
153
154        return true;
155}
156
157/**
158* Tests whether a string complies as UTF-8. This will be much
159* faster than utf8_is_valid, but will pass five and six octet
160* UTF-8 sequences, which are not supported by Unicode and
161* so cannot be displayed correctly in a browser. In other words
162* it is not as strict as utf8_is_valid but it's faster. If you use
163* is to validate user input, you place yourself at the risk that
164* attackers will be able to inject 5 and 6 byte sequences (which
165* may or may not be a significant risk, depending on what you are
166* are doing)
167* Note: Does not pass five and six octet UTF-8 sequences anymore in
168*       in the unit tests.
169* @see utf8_is_valid
170* @see http://www.php.net/manual/en/reference.pcre.pattern.modifiers.php#54805
171* @param string UTF-8 string to check
172* @return boolean TRUE if string is valid UTF-8
173* @package utf8
174* @subpackage validation
175*/
176function utf8_compliant($str)
177{
178        if (strlen($str) == 0)
179                return true;
180
181        // If even just the first character can be matched, when the /u
182        // modifier is used, then it's valid UTF-8. If the UTF-8 is somehow
183        // invalid, nothing at all will match, even if the string contains
184        // some valid sequences
185        return (preg_match('/^.{1}/us', $str, $ar) == 1);
186}
Note: See TracBrowser for help on using the repository browser.