PHPでUnicodeの結合文字を判定する方法

Question

PHPでWebアプリケーションを作っているのですが、ユーザが名前などとして設定した文字列にUnicodeの結合文字が入力されることによる表示崩れなどのいたずらを防ぎたいです。

調べてみたら、これが異体字セレクタや、macOSのファイルシステムで濁点や半濁点がついた文字が複数バイトで表現されてしまう時と同じような仕様を使っているようです。

日本語などでこのような風に使われている場合は許容して、それ以外の言語用のものが使われている場合は弾きたいのですが、PHPを使って実装する方法を教えていただきたいです。

文字コードはUTF-8を使用しています。

絵文字などは許容して、日本語以外のこのような複数バイトで構成される文字を弾きたいです。

Comments

[maisumakun]

例えば、「絵文字」は「普通の記号」に入りますでしょうか。もう少し厳密に定義してください。

[stmkza]

すみません、絵文字は許容したいです。曖昧な質問文ですみませんでした

Answer 1

ご要望の処理は中々難しいように思います。たとえば、PHPにはUnicodeの正規化をする関数があります。

Normalizer::normalize($x, Normalizer::FORM_C);

正規化後の文字列と、元の文字列を比較して、一致していなければ元の文字列が正規化されていなかったことがわかります。しかし、これだと、「神」が「神」に正規化されるので、「神」という文字（あくまで例ですが）があると不正とはじくことになってしまいます。

結局のところ、何を正とし、何を不正とするかの要件がはっきりしていないので、実装方法を検討しようがないということと、仮に要件がはっきりしたとしても、かなり面倒な実装になりそうで、teratailで無償で回答する範囲を超えてしまうことになりそうです。