如何在PHP UTF-8字符串中检测代理对？求实现hasSurrogate函数

我来帮你搞定这个代理对检测的问题！

首先得理清核心逻辑：你看到json_encode输出的\ud840\udd18是UTF-16编码下的代理对，但你的原PHP字符串"abc𠄘"里的“𠄘”是完整的4字节UTF-8字符，对应单个Unicode码点U+20118——这也是为什么你用utf8_to_unicode只拿到一个码点，以及\p{Cs}匹配不到的原因：\p{Cs}是匹配单独存在的代理字符（比如孤立的高代理/低代理），但你的字符串里根本没有这种情况，只有完整的辅助平面字符。

要实现hasSurrogate函数，本质是检测字符串中是否存在Unicode辅助平面字符（码点范围U+10000到U+10FFFF）——因为这类字符在转成UTF-16时必然会被拆分成代理对，这正是json_encode输出代理对的根源。

方案一：PHP 7.2+ 简洁实现 #

利用PHP内置的mb_ord函数直接获取UTF-8字符的码点：

function hasSurrogate(string $string): bool {
    // 按UTF-8规则拆分字符串为单个字符
    $chars = preg_split('//u', $string, -1, PREG_SPLIT_NO_EMPTY);
    
    foreach ($chars as $char) {
        $codePoint = mb_ord($char, 'UTF-8');
        // 辅助平面字符的码点范围：U+10000 ~ U+10FFFF
        if ($codePoint >= 0x10000 && $codePoint <= 0x10FFFF) {
            return true;
        }
    }
    
    return false;
}

// 测试
$string = "abc𠄘";
var_dump(hasSurrogate($string)); // 输出 bool(true)

方案二：兼容PHP 7.2以下版本 #

如果你的PHP版本不支持mb_ord，可以自己实现UTF-8字符到码点的转换：

// 辅助函数：将单个UTF-8字符转为Unicode码点
function utf8ToCodePoint(string $char): int {
    $bytes = unpack('C*', $char);
    $byteCount = count($bytes);
    
    switch ($byteCount) {
        case 1:
            return $bytes[1];
        case 2:
            return (($bytes[1] & 0x1F) << 6) | ($bytes[2] & 0x3F);
        case 3:
            return (($bytes[1] & 0x0F) << 12) | (($bytes[2] & 0x3F) << 6) | ($bytes[3] & 0x3F);
        case 4:
            return (($bytes[1] & 0x07) << 18) | (($bytes[2] & 0x3F) << 12) | (($bytes[3] & 0x3F) << 6) | ($bytes[4] & 0x3F);
        default:
            throw new InvalidArgumentException('输入不是有效的单个UTF-8字符');
    }
}

// 实现hasSurrogate函数
function hasSurrogate(string $string): bool {
    $chars = preg_split('//u', $string, -1, PREG_SPLIT_NO_EMPTY);
    
    foreach ($chars as $char) {
        $codePoint = utf8ToCodePoint($char);
        if ($codePoint >= 0x10000 && $codePoint <= 0x10FFFF) {
            return true;
        }
    }
    
    return false;
}

补充说明 #

• 为什么之前的preg_match_all("/\p{Cs}/", ...)无效？
  \p{Cs}属于Unicode属性类，匹配的是无配对的孤立代理字符（比如单独出现的U+D800），但你的字符串里的“𠄘”是完整的辅助平面字符，不存在孤立代理，所以匹配不到。
• 为什么json_encode会输出代理对？
  json_encode默认会将UTF-8字符串转成UTF-16编码的JSON格式（符合JSON标准），辅助平面字符在UTF-16中必须用一对代理码元表示，所以你看到了\ud840\udd18。

内容的提问来源于stack exchange，提问作者coderhwz