我可以使用 HTML 净化器来查找编码问题，而不仅仅是剥离它们吗？

Question

我有一个（大）正文，我正在尝试将其从最初的网络友好格式转换为“稍微”限制性更强的格式（epub——有些读者对他们的 HTML 非常挑剔接受）。

HTML 净化器在解决一类问题方面表现出色，我将其称为“糟糕的编码”。诸如缺少右括号（这在技术上是合法的 HTML）以及浏览器自动解决的其他烦恼。

HTML 净化器不工作得很好的地方是它遇到了编码问题。许多字符保存在 Ӓ格式，（显然？）HTML净化器不关心。也许我只需要更好地配置它。另一个问题是我存在的祸根：花引号、破折号等。我已经设法对其中的一些问题进行了大规模搜索和替换，但我担心的是我可能在某个地方错过了一个角色（因为遇到一个用口音和拼写的似曾相识的案例带回家）包括坟墓标记）。

有没有办法让 HTML 净化器告诉我这些字符存在问题，而不是默默地剥离它们？我正在尝试查看代码，但该软件非常适合不同的用例场景（“静默”处理用户输入，而不是程序员对文本正文进行大量转换），而我只是没有看到我要查找的数据。

Answer 1

我认为这个函数 mysql_real_escape_string($text) 对你的问题有用

$text="这是一个早已确立的事实，即读者在查看页面布局时会被页面的可读内容分散注意力。使用 Lorem Ipsum 的关键在于它或多或少具有正态分布字母，而不是使用“这里的内容，这里的内容”，使其看起来像可读的英语。许多桌面出版包和网页编辑器现在使用 Lorem Ipsum 作为他们的默认模型文本，搜索“lorem ipsum”会发现许多网站仍处于起步阶段。多年来，各种版本不断发展，有时是偶然的，有时是故意的（注入幽默之类的）。”；

$main = mysql_real_escape_string($text);