PHPのmb_detect_encoding()関数で文字エンコーディングを検出する方法

PHPでは、mb_detect_encoding() 関数を使用することで、文字列の文字エンコーディングを検出できます。この関数は、候補となるエンコーディングのリストを順番に照合し、文字列に適合するエンコーディングを特定します。PHP 4.0.6以降のバージョンで利用可能です。

mb_detect_encoding() は、マルチバイトエンコーディングを扱う際に特に有用です。マルチバイトエンコーディングでは、すべてのバイト列が有効な文字列として成立するとは限りません。入力文字列に無効なバイトシーケンスが含まれている場合、そのエンコーディングは候補から除外され、次の候補がチェックされます。

構文

string mb_detect_encoding(string $string, ?string $encoding = null, bool $strict = false)

なお、追加情報なしに文字エンコーディングを自動検出することは、完全に信頼できるものではない点に注意が必要です。文字エンコーディングの検出は、暗号化された文字列を鍵なしで解読するのに似ています。データとともに保存・送信される文字エンコーディングを示すには、Content-Type HTTPヘッダーを使用するのが確実です。

パラメータ

mb_detect_encoding() 関数は、以下の3つのパラメータを受け取ります。

• $string − 検査対象となる文字列を指定します。

• $encoding − 順番に試行する文字エンコーディングのリストを指定します。リストは、文字列の配列形式でも、カンマ区切りの単一文字列形式でも指定可能です。このパラメータが省略された場合、またはnullが指定された場合は、mbstring.detect_order 設定ディレクティブ、または mb_detect_order() 関数で設定された現在の detect_order が使用されます。

• $strict − 文字列がリスト内のどのエンコーディングでも有効でない場合の動作を制御します。false を指定すると、最も近い一致するエンコーディングが返されます。true を指定すると、false が返されます。

戻り値

検出された文字エンコーディングを返します。文字列がリスト内のどのエンコーディングに対しても有効でない場合は false を返します。

サンプルコード1

$strict パラメータを使用しない場合の mb_detect_encoding() 関数の使用例です。

<?php
   $string = "あいうえお";
   // 現在のdetect_orderで文字エンコーディングを検出
   echo mb_detect_encoding($string);

   // "auto"はmbstring.languageの設定に応じて展開される
   echo mb_detect_encoding($string, "auto");

   // エンコーディングを明示的に指定
   echo mb_detect_encoding($string, "JIS, eucjp-win, sjis-win");

   // 配列を使って"encoding"パラメータを指定
   $array_encoding = [
      "ASCII",
      "JIS",
      "EUC-JP"
   ];
   echo mb_detect_encoding($string, $array_encoding);
?>

出力結果

UTF-8UTF-8SJIS-winUTF-8

サンプルコード2

$strict パラメータを使用した mb_detect_encoding() 関数の使用例です。

<?php
   // ISO-8859-1でエンコードされた 'áéóú'
   $string = "\xE1\xE9\xF3\xFA";

   // strict=false の場合、UTF-8がより近い一致とみなされる
   var_dump(mb_detect_encoding($string, ['ASCII', 'UTF-8'], false));
   var_dump(mb_detect_encoding($string, ['ASCII', 'UTF-8'], true));

   // 有効なエンコーディングが見つかる場合、strictパラメータは結果に影響しない
   var_dump(mb_detect_encoding($string, ['ASCII', 'UTF-8', 'ISO-8859-1'], false));
   var_dump(mb_detect_encoding($string, ['ASCII', 'UTF-8', 'ISO-8859-1'], true));
?>

出力結果

string(5) "UTF-8"
bool(false)
string(10) "ISO-8859-1"
string(10) "ISO-8859-1"

このように、$strict パラメータを true に設定すると、厳密な判定が行われ、有効なエンコーディングが見つからない場合には false が返されます。一方、false（デフォルト）の場合は、たとえ完全に一致しなくても最も近い候補が返されるため、用途に応じて適切に使い分けることが重要です。