如何在 PHP 中将非 UTF-8 编码转换为更具可读性/ UTF-8 编码？答案

【问题标题】：How to convert a non-UTF-8 encoding to a more readable/ UTF-8 encoding in PHP?如何在 PHP 中将非 UTF-8 编码转换为更具可读性/ UTF-8 编码？
【发布时间】：2018-05-23 11:28:43
【问题描述】：

我在 Laravel 5.4 项目中使用“PDF Parser”来获取 pdf 文件的内容。但是当我转储内容时，我会得到一些编码文本，当将其悬停在上面时，会显示“5868 个二进制或非 UTF-8 字符”。

这是应该读取文件内容的代码。

$file = $request->file('file');
$parser = new \Smalot\PdfParser\Parser();
$pdf    = $parser->parseFile($file);
$scannedText = $pdf->getText();
dd($scannedText);

它会转储这样的东西：

x00i\x00n\x00g\x00ª\x00t\x00h\x00i

当“编码类型”设置为“自动”时，PHP 的 mb_detect_encoding() 函数返回 false。 utf8_encode() 也不起作用，所以我知道它不是 ISO-8859-1 编码。

这就是我现在卡住的地方。任何帮助表示赞赏。

【问题讨论】：

将原始字节放入十六进制/文本编辑器并为其选择不同的编码来解释内容，直到找到文本看起来正确的编码。如果每隔一个字节是00，您可能正在查看 UTF-16 编码的文本。
这很棘手。在您知道原始编码是什么之前，您无法转换编码。我想看看是否可以从原始 PDF 文件本身中提取编码信息。您正在使用的抽象库Smalot\PdfParser\Parser 可能能够提供此信息？如果不是，您需要查看其他 PDF 解析解决方案。这是一个有趣的问题 - 请随时通知我们您的最终解决方案！ :)
感谢您的快速回复，伙计们。 @kieranpotts 我检查了 pdf 文件，字体采用 Identity-H 编码。另外，当我使用 Laravel 的内置文件系统来检索内容（而不是 PdfParser 包），然后转储内容时，会显示一些不可读的文本，但现在编码似乎不同了。所以我继续做一个mb_detect_encoding，我得到'UTF-8'。这一次，我相信问题在于试图转储文件内容。如果我错了，请纠正我。
@deceze 这是个好主意。但我正在寻找一种更简单、可以编写代码的程序化解决方案。不过谢谢...非常感谢。

标签： php laravel php-7

【解决方案1】：

在我的项目中，我遇到了与“PDF Parser”类似的错误。

但是我没有再遇到这个错误：https://github.com/spatie/pdf-to-text。

你可以使用 composer 来安装它：

composer require spatie/pdf-to-text

它就是这样工作的：

use Spatie\PdfToText\Pdf;

$pdf = (new Pdf())->setPdf('sample.pdf');

$pdf->setOptions(['layout']);

dump($pdf->text());

【讨论】：

大约一年前我在做这个项目，我记得在使用 PDF Parser 挣扎了一段时间后，我切换到了 PdfToText，它就像一个魅力。不过忘记在这里发了。无论如何，谢谢您的回复。干杯！