PHP Simple HTML DOM Parser 的字符编码问题答案

【问题标题】：Character Encoding issue with PHP Simple HTML DOM ParserPHP Simple HTML DOM Parser 的字符编码问题
【发布时间】：2023-03-21 13:51:01
【问题描述】：

我正在使用 PHP Simple HTML DOM Parser http://simplehtmldom.sourceforge.net/ 从其他域获取页面标题、元描述和元标记等数据，然后将其插入数据库。

但我在编码方面遇到了一些问题。问题是我没有从那些不是英语的网站获得正确的字符。

下面是代码：

<?php
require 'init.php';

$curl = new curl();
$html = new simple_html_dom();

$page = $_GET['page'];

$curl_output = $curl->getPage($page);

$html->load($curl_output['content']);
$meta_title = $html->find('title', 0)->innertext;

print $meta_title . "<hr />";

// print $html->plaintext . "<hr />";
?>

facebook.compage 的输出

Welcome to Facebook â€” Log in, sign up or learn more

amazon.cnpage 的输出

äºšé©¬é€Š-ç½‘ä¸Šè´ç‰©å•†åŸŽï¼šè¦ç½‘è´, å°±æ¥Z.cn!

mail.rupage 的输出

所以，字符没有被正确编码。

谁能帮我解决这个问题，以便我可以将正确的数据添加到我的数据库中。

【问题讨论】：

如果您在浏览器中将“查看”>“编码”下的编码切换为其他内容会怎样？
如果我将浏览器编码切换为 UTF-8，它可以工作。
见stackoverflow.com/questions/4550903/…

标签： php mysql dom curl simple-html-dom

【解决方案1】：

@deceze 和 @Shakti 感谢您的帮助。

为 deceze (Handling Unicode Front to Back in a Web App) 发布的文章链接 +1，也值得一读 Understanding encoding

看完你的cmets，回答当然还有这两篇文章，我终于解决了我的问题。

我已经列出了迄今为止解决此问题的步骤：

在我的 init.php 文件顶部添加了header('Content-Type: text/html; charset=utf-8');，
更改了将这些值存储为 UTF-8 的数据库表字段的 CHARACTER SET，
将 MySQL 连接字符集设置为 UTF-8 mysql_set_charset('utf8', $connection_link_id);
使用htmlentities()函数转换字符$meta_title = htmlentities(trim($meta_title_raw), ENT_QUOTES, 'UTF-8');

现在问题似乎已经解决了，但是我仍然需要做以下事情来完全解决这个问题。

从源$source_charset获取编码字符集。
如果字符串的编码已经不是相同的编码，请将其更改为 UTF-8。为此，唯一可用的 PHP 函数是 iconv()。示例：iconv($source_charset, "UTF-8", $meta_title_raw);

为了获得$source_charset，我可能不得不使用一些技巧或多重检查。比如检查标题和元标记等。我在Detect encoding找到了一个很好的答案

如果我的上述步骤有任何改进或任何错误，请告诉我。

【讨论】：

【解决方案2】：

如果我将浏览器编码切换为 UTF-8，它可以工作。

因此，您根本没有设置正确的 HTTP 标头来指定您的文档为 UTF-8 编码，而浏览器正在以其他编码方式对其进行解释。使用：

header('Content-Type: text/html; charset=utf-8');

【讨论】：

上面列出的 PHP 代码只是为了测试如果我添加内容类型标头可以工作。我的真实代码会将信息（$meta_title 的值）添加到数据库中，然后另一个页面将从数据库中检索这些值，但在该页面上，即使我设置为 UTF-8，它也无法正常工作。
@Prakash：您必须确保将数据库当前连接设置为接受utf-8 数据。在向数据库发送任何查询之前运行此查询SET NAMES UTF-8，并确保您的数据库、表、列设置为 utf-8 编码。然后在您的另一个页面中设置 UTF-8 标头应该可以工作。
@Prakash 那么我建议你阅读Handling Unicode Front To Back In A Web App

【解决方案3】：

我对罗马尼亚语字符也有同样的问题。在我使用之前没有任何效果

header('Content-Type: text/html; charset=ISO-8859-2');

ISO-8859-2 是东欧字母的字符集。因此，为您的语言找到正确的字符集并在标题中使用它。

【讨论】：