HTML字符集是CP936转UTF-8,GB2312转UTF-8,GBK转UTF-8,PHP采集HTML后中文乱码,转换编码为UTF-8的方法
这个任务最初是使用QueryList插件来采集分析页面的,但是后来发现采集入库的数据中有乱码,查看分析了一下,全部是源页面字符集为非utf-8的页面,那么就利用QueryList自有的方法来转码。
$result = $ql->get('http://'.$url, null, $options)
->rules($rules)
->encoding('UTF-8','GB2312')
->removeHead()
->query()
->getData();
0
1
2
3
4
5
$result=$ql->get('http://'.$url,null,$options)
->rules($rules)
->encoding('UTF-8','GB2312')
->removeHead()
->query()
->getData();
QueryList官方文档 中介绍,使用encoding('UTF-8','GB2312')方法可以解决,但是实际情况是页面字符集多种多样,刚才测试了三个网站三种编码,CP936,EUC-CN,GBK,真是玩死朕了。那么官方还说如果还是不能解决乱码问题就把removeHead()函数也挂上,没挂之前我感觉它应该是不好使,那也要试一下才能真正的确定啊,试了一下,结果确实还是乱码。
QueryList有时有点诡异,采集时有时会缺内容,不知所以然。
此路不通,只能另寻他途。
思路就是,采集部分就不使用QueryList,使用自己写的Curl吧,之后分析编码,转码,再交给QueryList去分析HTML,再提取相关数据。
下面是各种字符集转为UTF-8编码的函数。
/**
* 采集的HTML转码
* 事由:因为采集到非UTF-8的页面会出现中文乱码,又因为会采集不特定的多个网站,只能先判断页面编码后转码
* @param string $html
* @param string $charset 如果此值为 true,则返回此HTML的字符集
* @return null|string|string[]
*/
function htmlConvertEncode($html, $charset='UTF-8')
{
// 检测编码
$encode = mb_detect_encoding($html, array("ASCII","UTF-8","GB2312","GBK","CP936","BIG5","EUC-CN"));
// 转码
if($encode != $charset){
return mb_convert_encoding($html, 'UTF-8', $encode);
}
// 返回字符集
if($charset === true){
return $encode;
}
return $html;
}
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
/**
* 采集的HTML转码
* 事由:因为采集到非UTF-8的页面会出现中文乱码,又因为会采集不特定的多个网站,只能先判断页面编码后转码
* @param string $html
* @param string $charset 如果此值为 true,则返回此HTML的字符集
* @return null|string|string[]
*/
functionhtmlConvertEncode($html,$charset='UTF-8')
{
// 检测编码
$encode=mb_detect_encoding($html,array("ASCII","UTF-8","GB2312","GBK","CP936","BIG5","EUC-CN"));
// 转码
if($encode!=$charset){
returnmb_convert_encoding($html,'UTF-8',$encode);
}
// 返回字符集
if($charset===true){
return$encode;
}
return$html;
}