PHP解析html类库simple_html_dom的转码bug

 更新时间:2014年05月22日 15:02:53   作者:  
这篇文章主要介绍了PHP解析html类库simple_html_dom的转码bug ,需要的朋友可以参考下

这几天有在用simple_html_dom抓一些文章。不同网站的编码在国内基本上是gbk gb2312 utf-8。而以gb2312和utf-8居多。

我这一版的simple_html_dom有一个方法 convert_text 是这个样子的。

复制代码 代码如下:

 // PaperG - Function to convert the text from one character set to another if the two sets are not the same.
 function convert_text($text)
 {
  global $debug_object;
  if (is_object($debug_object)) {$debug_object->debug_log_entry(1);}
  $converted_text = $text;
  $sourceCharset = "";
  $targetCharset = "";
  if ($this->dom)
  {
   $sourceCharset = strtoupper($this->dom->_charset);
   $targetCharset = strtoupper($this->dom->_target_charset);
  }
  if (is_object($debug_object)) {$debug_object->debug_log(3, "source charset: " . $sourceCharset . " target charaset: " . $targetCharset);}
  if (!empty($sourceCharset) && !empty($targetCharset) && (strcasecmp($sourceCharset, $targetCharset) != 0))
  {
   // Check if the reported encoding could have been incorrect and the text is actually already UTF-8
   if ((strcasecmp($targetCharset, 'UTF-8') == 0) && ($this->is_utf8($text)))
   {
    $converted_text = $text;
   }
   else
   {
    $converted_text = iconv($sourceCharset, $targetCharset, $text);
   }
  }
  // Lets make sure that we don't have that silly BOM issue with any of the utf-8 text we output.
  if ($targetCharset == 'UTF-8')
  {
   if (substr($converted_text, 0, 3) == "\xef\xbb\xbf")
   {
    $converted_text = substr($converted_text, 3);
   }
   if (substr($converted_text, -3) == "\xef\xbb\xbf")
   {
    $converted_text = substr($converted_text, 0, -3);
   }
  }
  return $converted_text;
 }

来看这一行:

复制代码 代码如下:

    $converted_text = iconv($sourceCharset, $targetCharset, $text); 

会引起转码不正确。比如会把gb2312的文字转成:

复制代码 代码如下:

4月26日在<span style="color:#C03">鏈濋槼</span>公园马术场举行的2014浪琴国际马联场地障碍世界杯中国联赛资格赛上,24岁的韩壮壮不仅拿到零罚分的成绩 ...第7个出场的<span style="color:#C03">鍖椾含</span>奥运骑手赵志文第一个收获零罚分,用时77秒07 ...

既成的事实了,证明里头的转码功能没有处理好。由于我使用这个simple_html_dom只是想要用来构建dom。我并没有打算花时间去很好地处理这个bug。而是简单地把

复制代码 代码如下:

$converted_text = iconv($sourceCharset, $targetCharset, $text);

改成

复制代码 代码如下:

$converted_text = $text;

就行了。思路就是取消它的转码。好吧工作不必纠结,可以继续了。

相关文章

  • laravel 表单验证实现多个字段组合后唯一

    laravel 表单验证实现多个字段组合后唯一

    这篇文章主要介绍了laravel 表单验证实现多个字段组合后唯一,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2021-02-02
  • 单点登录 Ucenter示例分析

    单点登录 Ucenter示例分析

    正如标题所言,需要了解下Ucenter登录步骤,之后在进行有效的分析,下面有个不错的示例,感兴趣的朋友可以参考下
    2013-10-10
  • 在laravel框架中使用model层的方法

    在laravel框架中使用model层的方法

    今天小编就为大家分享一篇在laravel框架中使用model层的方法,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2019-10-10
  • 一个简单的网页密码登陆php代码

    一个简单的网页密码登陆php代码

    密码对,就可以看到指定内容, 密码不对就进不去
    2012-07-07
  • 通过修改配置真正解决php文件上传大小限制问题(nginx+php)

    通过修改配置真正解决php文件上传大小限制问题(nginx+php)

    对于nginx+php的一些网站,上传文件大小会受到多个方面的限制,一个是nginx本身的限制,限制了客户端上传文件的大小,一个是php.ini文件中默认了多个地方的设置。所以为了解决上传文件大小限定的问题必须要做出多处修改。以下整理了几个地方。
    2015-09-09
  • PHP调试及性能分析工具Xdebug详解

    PHP调试及性能分析工具Xdebug详解

    下面小编就为大家带来一篇PHP调试及性能分析工具Xdebug详解。小编觉得挺不错的,现在就分享给大家,也给大家做个参考。一起跟随小编过来看看吧
    2017-02-02
  • Centos6.5和Centos7 php环境搭建方法

    Centos6.5和Centos7 php环境搭建方法

    这篇文章主要介绍了Centos6.5和Centos7 php环境搭建方法的相关资料,非常不错,具有参考借鉴价值,需要的朋友可以参考下
    2016-05-05
  • php与c 实现按行读取文件实例代码

    php与c 实现按行读取文件实例代码

    这篇文章主要介绍了php与c 实现按行读取文件实例代码的相关资料,需要的朋友可以参考下
    2017-01-01
  • Yii框架连接mongodb数据库的代码

    Yii框架连接mongodb数据库的代码

    这篇文章主要介绍了Yii框架连接mongodb数据库的代码的相关资料,非常不错,具有参考借鉴价值,需要的朋友可以参考下
    2016-07-07
  • Yii2增加验证码步骤详解

    Yii2增加验证码步骤详解

    这篇文章主要介绍了Yii2增加验证码步骤详解的相关资料,需要的朋友可以参考下
    2016-04-04

最新评论