多字节标识符列表答案

【问题标题】：multibyte identifiers list多字节标识符列表
【发布时间】：2011-06-15 21:13:52
【问题描述】：

我正在研究多字节字符以及它们是如何使用的，但有多少不同的标识符/修饰符用于不同的多字节。

例如：&nbps;,&#nbsp;,U+0026,%20

&,&#,u+,% 等有多少种不同的标识符？

如果输入的单词长度超过 255 个字符，则我尝试查找输入，那么它可能是多字节（黑客尝试），然后我可以检查单词是否可以拆分具有多字节标识符，然后停止黑客尝试。

【问题讨论】：

搜索 HTML 实体，应该可以解释其中的大部分内容。你在哪里找到nbsp;？那不是合法的 HTML 实体。也许你的意思是 <.
这完全取决于要解析字符串的引擎。我认为为此构建一个通用的“黑客检测”解决方案没有意义。
抱歉，您的问题不清楚。 &nbsp; 或 &#x0026 被称为 HTML/XML 实体，%20 是 URI 转义序列。什么叫多字节，你想做什么？
@merijn 我知道&#nbsp;，但想不出这种类型的实体是如何工作的，但我仍然知道它是类似的，@benoit 好吧，我想要做的是问题让假设输入类似于hello world，您有 2 个单词，每个单词 5 个字母，但如果您有 &nbps;&nbps;&nbps;&nbps;，其中没有空格，因此它不是普通文本，而是一个特殊字符，那么我可以决定如何处理这些特殊字符。

标签： php javascript html multibyte

【解决方案1】：

% 格式 - 用于嵌入 URL 的 url 编码值，例如%20 是一个空格 (ascii 20)
&nbsp; - 命名字符实体，在这种情况下是不间断空格
U+0026 - 十六进制表示法的 unicode 字符，在这种情况下是 &&#...; - 十进制编号字符实体 (base10) &#38; = &
&#x...; - 十六进制编号字符实体 (base 16): &#x26; = &

【讨论】：

我知道这些并且我想知道除这些之外的任何其他的:)
这些是我所知道的。命名实体在 HTML 规范中（并且有很多）。 XML直接只支持大约6个。

【解决方案2】：

您是否试图避免基于homoglyph 的欺骗？ identifier 在这里表示 username 吗？

如果是，并且如果您的用户使用拉丁字母，则只允许使用 ascii 字母和数字：

$identifier = preg_replace('#[^A-Za-z0-9]+#', '', $identifier);

【讨论】：

标识符我的意思是%是url编码的标识符