Regulärer Ausdruck mit [[:cntrl:]] erfasst chinesische Zeichen

[Der Martin]

Moin,

in einem Script werden Nutzereingaben - insbesondere der Nutzername - nach unerwünschten Zeichen durchsucht. Unerwünscht sind u.a. (nicht-druckbare) Steuerzeichen, die mit folgendem Ausdruck detektiert werden sollen:

preg_match("/([[:cntrl:]]|\255)/", $string)

bedenke, dass die String- und Regex-Funktionen von PHP genaugenommen von Haus aus nicht Zeichen, sondern Bytes verarbeiten. Es ist daher wichtig zu wissen, in welcher Codierung deine Eingabedaten vorliegen. Naheliegend wäre UTF-8, aber ich kann nur mutmaßen.

Problematisch wird es, wenn die Zeichenkette auch chinesische Schriftzeichen enthält bspw. 测试汉语, da diese als Steuerzeichen erkennt werden.

Das heißt, die Byte-Darstellung dieser Zeichen enthält irgendwo einen der Bytewerte 0x00 .. 0x1F, 0xFF oder 0x7F (gehört AFAIR zu :cntrl: dazu).

Was muss ich mir unter einem nicht-druckbaren Zeichen vorstellen mit Hinblick auf die genannte Zeichenfolge? Wie könnte ein Ausdruck aussehen, der weniger aggressiv bzgl. chinesischer Zeichen ist aber gleichzeitig nicht-druckbare Zeichen detektiert?

Wenn du tatsächlich Eingabedaten in UTF-8 hast, solltest du IMO den Modifier u verwenden, um die Regex-Engine von PHP ebenfalls auf UTF-8 einzustellen.

So long,
 Martin