简体中文
简体中文
在处理多字节字符串时，mb_scrub 是一个非常实用的函数，它可以帮助我们清理包含非法字符的字符串，防止程序在后续处理时因编码问题崩溃。然而，很多开发者在使用 mb_scrub 之后会遇到一个问题：。这可能会在系统中造成编码混乱，尤其是当你的应用依赖特定编码（如 Shift_JIS、ISO-8859-1 等）时。
那么，如何在使用 mb_scrub 清理字符串之后，保持原编码不变呢？
我们先来看 mb_scrub 的基本用法：
<span><span><span class="hljs-variable">$clean</span></span><span> = </span><span><span class="hljs-title function_ invoke__">mb_scrub</span></span><span>(</span><span><span class="hljs-variable">$dirty_string</span></span><span>);
</span></span>如果不指定编码，PHP 默认使用内部字符编码（通常是 UTF-8）。mb_scrub 会尝试将字符串转换为指定编码，如果转换失败，则用 U+FFFD（?）替换非法字符。但是返回值的编码往往就是你传入时指定的编码，而不是原字符串的编码。
因此，如果你的字符串原本是 Shift_JIS 编码，而你用默认的 mb_scrub($str) 清理它，最终你得到的是 UTF-8 编码的字符串，可能会导致乱码或系统不兼容。
要解决这个问题，你需要先检测原始字符串的编码，然后在调用 mb_scrub 时显式传入这个编码。例如：
<span><span><span class="hljs-variable">$original_encoding</span></span><span> = </span><span><span class="hljs-title function_ invoke__">mb_detect_encoding</span></span><span>(</span><span><span class="hljs-variable">$dirty_string</span></span><span>, </span><span><span class="hljs-title function_ invoke__">mb_list_encodings</span></span><span>(), </span><span><span class="hljs-literal">true</span></span><span>);
</span><span><span class="hljs-variable">$clean_string</span></span><span> = </span><span><span class="hljs-title function_ invoke__">mb_scrub</span></span><span>(</span><span><span class="hljs-variable">$dirty_string</span></span><span>, </span><span><span class="hljs-variable">$original_encoding</span></span><span>);
</span></span>这样，mb_scrub 就会知道按什么编码方式去理解字符串，并且返回值也会使用相同的编码。
注意：mb_detect_encoding 的准确性依赖于字符串内容和传入的编码列表，有些模糊的编码可能无法正确识别，建议根据上下文尽可能明确限定范围。
<span><span><span class="hljs-function"><span class="hljs-keyword">function</span></span></span><span> </span><span><span class="hljs-title">clean_preserve_encoding</span></span><span>(</span><span><span class="hljs-params"><span class="hljs-keyword">string</span></span></span><span> </span><span><span class="hljs-variable">$input</span></span><span>): </span><span><span class="hljs-title">string</span></span><span> {
</span><span><span class="hljs-variable">$encoding</span></span><span> = </span><span><span class="hljs-title function_ invoke__">mb_detect_encoding</span></span><span>(</span><span><span class="hljs-variable">$input</span></span><span>, [</span><span><span class="hljs-string">'SJIS'</span></span><span>, </span><span><span class="hljs-string">'UTF-8'</span></span><span>, </span><span><span class="hljs-string">'ISO-8859-1'</span></span><span>, </span><span><span class="hljs-string">'EUC-JP'</span></span><span>], </span><span><span class="hljs-literal">true</span></span><span>);
</span><span><span class="hljs-keyword">if</span></span><span> (!</span><span><span class="hljs-variable">$encoding</span></span><span>) {
</span><span><span class="hljs-comment">// 无法检测编码，默认使用 UTF-8，或抛出异常</span></span><span>
</span><span><span class="hljs-variable">$encoding</span></span><span> = </span><span><span class="hljs-string">'UTF-8'</span></span><span>;
}
</span><span><span class="hljs-keyword">return</span></span><span> </span><span><span class="hljs-title function_ invoke__">mb_scrub</span></span><span>(</span><span><span class="hljs-variable">$input</span></span><span>, </span><span><span class="hljs-variable">$encoding</span></span><span>);
}
</span></span>这个函数会尽力保留输入字符串的编码，即便在内容出现非法字符时也不会损坏编码的一致性。
始终记录原始编码：如果你的系统需要支持多种编码，在数据流中记录每段文本的编码是一个良好的习惯。
优先使用 UTF-8：如果你可以控制输入输出环境，建议尽量统一使用 UTF-8 编码，避免多编码混用造成复杂性。
测试极端情况：特别是在处理外部数据时，应测试混合非法字节、错误 BOM、编码不一致等情况。
使用 mb_scrub 清理非法字符串是安全处理多字节字符串的重要手段，但它可能在不显式指定编码时改变字符串的编码格式。为避免这一问题，应在调用 mb_scrub 时明确指定原始编码，从而确保清理后的字符串仍保留原有的编码。
这样不仅保持了数据一致性，也减少了编码转换带来的副作用，是开发多语言、多编码兼容应用时不可或缺的实践技巧。
