使用PHP抓取页面会导致意外字符
好的，我使用PHP从网页中提取一些数据，并以某种方式引入一些源文档中不存在的意外字符。我认为这是由于我解释了错误的字符编码，尽管我不确定如何解决这个问题 下面是一个HTML示例，给出了错误使用PHP抓取页面会导致意外字符,php,html,character-encoding,web-scraping,Php,Html,Character Encoding,Web Scraping,好的，我使用PHP从网页中提取一些数据，并以某种方式引入一些源文档中不存在的意外字符。我认为这是由于我解释了错误的字符编码，尽管我不确定如何解决这个问题 下面是一个HTML示例，给出了错误 <tr> <td>Aug 2013</td> <td>TEDxColbyCollege</td> <td> <a href="/talks/daniel_h_cohen_for_argumen
<tr>
<td>Aug 2013</td>
<td>TEDxColbyCollege</td>
<td>
<a href="/talks/daniel_h_cohen_for_argument_s_sake.html">Daniel H. Cohen: For argument’s sake</a> </td>
.
.
.
// more of the table
<!doctype html>
<html lang="en">
<head>
<meta charset="utf-8">
.
.
</head>
两者都导致输出看起来像这样
danielh.Cohen:For argument€™s sake“ <meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
即使正确应用了
htmlspecialchars\u decode（）html\u entities\u decode（）mb\u convert\u encoding（）forceUTF8（）$utf8_string = Encoding::fixUTF8($garbled_utf8_string);
echo Encoding::fixUTF8("Fédération Camerounaise de Football");
echo Encoding::fixUTF8("FÃédÃération Camerounaise de Football");
echo Encoding::fixUTF8("FÃÃédÃÃération Camerounaise de Football");
echo Encoding::fixUTF8("FÃÃÃédÃÃÃération Camerounaise de Football");
Fédération Camerounaise de Football
Fédération Camerounaise de Football
Fédération Camerounaise de Football
Fédération Camerounaise de Football
编辑
另外，请注意，如果使用基于web的DB浏览器（如phpMyAdmin），则在DB中存储的字符编码与网页定义的编码之间可能会遇到字符差异。我曾经遇到过这样的情况：数据库中存储的内容完全正确，但从界面上看似乎是错误的。
$html=file\u get\u contents（“html页面的url\u被废弃”）url处的文档头显示为这就是我真正的意思：）好吧，我不知道这是否适合你，但我有类似的问题，在加载的内容周围放一个utf8_encode（）就成功了。我不知道这是否更像是一个未经证实的黑客行为。。。但是试试看：$doc->loadHTML（utf8_encode（$html））嘿，谢谢你的主意，但是运气不好，我还是得到了相同的结果。这有帮助吗？谢谢你的建议，我尝试了它，但仍然没有得到正确编码的字符串返回，似乎已经有一个问题在该项目上为它打开，并将继续关注它，以备将来可能使用！很乐意帮忙！此外，如果讨论的开放问题是，我似乎记得使用a将这些字符转换为可管理的字符（即：preg\u replace（'/\p{Zs}/'，'$htmlString）
）。虽然这似乎很奇怪，如果这是你的问题。
echo Encoding::fixUTF8("Fédération Camerounaise de Football");
echo Encoding::fixUTF8("FÃédÃération Camerounaise de Football");
echo Encoding::fixUTF8("FÃÃédÃÃération Camerounaise de Football");
echo Encoding::fixUTF8("FÃÃÃédÃÃÃération Camerounaise de Football");
Fédération Camerounaise de Football
Fédération Camerounaise de Football
Fédération Camerounaise de Football
Fédération Camerounaise de Football