如何从由错误字符集编码的字符串正确重建字符串

Question

编辑添加了一些新信息以使问题更清晰。

在 2012B 之前的 matlab 中，如果 Web 内容的字符集不是 utf8，则方法 urlread 将返回由错误字符集构造的字符串。 （在 Matlab 2012B 中有所改进）

例如

% a chinese website whose content encoding by gb2312
url = 'http://www.cnbeta.com/articles/213618.htm'; 
html = urlread(url)

因为 Matlab 使用 utf8 而不是 gb2312 对 html 进行编码。 您会看到 html 中的汉字显示不正确。

如果我阅读一个 utf8 编码的中文网站，那么一切正常：

% a chinese website whose content encoding by utf8
url = 'http://www.baidu.com/'; 
html = urlread(url)

那么有没有办法从 html 中正确地重构字符串？ 我尝试了以下方法，但没有奏效：

>> bytes = unicode2native(html,'utf8');
>> str = native2unicode(bytes,'gb2312')

但是，我知道有一种方法可以解决 urlread 的问题： 在控制台中输入edit urlread.m，然后在第108行附近替换代码（在matlab 2011B中）：

output = native2unicode(typecast(byteArrayOutputStream.toByteArray','uint8'),'UTF-8');

作者：

output = native2unicode(typecast(byteArrayOutputStream.toByteArray','uint8'),'gb2312');

保存文件，现在urlread 将适用于由 gb2312 编码的网站。 实际上，这个解决方案指出了为什么 urlread 有时不起作用。方法urlread 始终使用utf8 字符集对字符串进行编码，即使内容不是utf8 编码的。

Answer 1

看来你已经有了解决办法，只需创建一个名为urlread_gb 的函数，它可以读取gb2312。