PHP中检测文件是否为UTF-8编码的函数

这几天在用PHP写一些项目工具，工具中需要对开发人员写的数据库脚本文件做utf8编码检查。

以前没有编码检查的时候，开发人员会不小心把非utf8编码的文件提交到代码仓库。而非utf8编码的数据库脚本所创建的表，其中的表注释和字段注释在用作代码生成信息的时候都会变成乱码。所以很需要有一个自动检测的机制。

网上找了一圈没找到比较好的实现，有用非严格猜测的，有用mbstring内置函数的。我不想项目工具依赖太多PHP扩展，所以自己写了一个检测编码的函数。

代码如下：

// 
// 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;
}