这篇文章主要介绍了PHP解析html类库simple_html_dom的转码bug ,需要的朋友可以参考下。

这几天有在用simple_html_dom抓一些文章。不同网站的编码在国内基本上是gbk gb2312 utf-8。而以gb2312和utf-8居多。

我这一版的simple_html_dom有一个方法 convert_text 是这个样子的，代码如下:

1. // PaperG - Function to convert the text from one character set to another if the two sets are not the same. 
2.  function convert_text($text) 
3.  { 
4.   global $debug_object; 
5.   if (is_object($debug_object)) {$debug_object->debug_log_entry(1);} 
6.   $converted_text = $text; 
7.   $sourceCharset = ""; 
8.   $targetCharset = ""; 
9.   if ($this->dom) 
10.   { 
11.    $sourceCharset = strtoupper($this->dom->_charset); 
12.    $targetCharset = strtoupper($this->dom->_target_charset); 
13.   } 
14.   if (is_object($debug_object)) {$debug_object->debug_log(3, "source charset: " . $sourceCharset . " target charaset: " . $targetCharset);} 
15.   if (!emptyempty($sourceCharset) && !emptyempty($targetCharset) && (strcasecmp($sourceCharset, $targetCharset) != 0)) 
16.   { 
17.    // Check if the reported encoding could have been incorrect and the text is actually already UTF-8 
18.    if ((strcasecmp($targetCharset, 'UTF-8') == 0) && ($this->is_utf8($text))) 
19.    { 
20.     $converted_text = $text; 
21.    } 
22.    else 
23.    { 
24.     $converted_text = iconv($sourceCharset, $targetCharset, $text); 
25.    } 
26.   } 
27.   // Lets make sure that we don't have that silly BOM issue with any of the utf-8 text we output. 
28.   if ($targetCharset == 'UTF-8') 
29.   { 
30.    if (substr($converted_text, 0, 3) == "\xef\xbb\xbf") 
31.    { 
32.     $converted_text = substr($converted_text, 3); 
33.    } 
34.    if (substr($converted_text, -3) == "\xef\xbb\xbf") 
35.    { 
36.     $converted_text = substr($converted_text, 0, -3); 
37.    } 
38.   } 
39.   return $converted_text; 
40.  } 

来看这一行：

$converted_text = iconv($sourceCharset, $targetCharset, $text);

会引起转码不正确。比如会把gb2312的文字转成：

1. 4月26日在<span style="color:#C03">鏈濋槼</span>公园马术场举行的2014浪琴国际马联场地障碍世界杯中国联赛资格赛上，24岁的韩壮壮不仅拿到零罚分的成绩 ...第7个出场的<span style="color:#C03">鍖椾含</span>奥运骑手赵志文第一个收获零罚分，用时77秒07 ... 

既成的事实了，证明里头的转码功能没有处理好。由于我使用这个simple_html_dom只是想要用来构建dom。我并没有打算花时间去很好地处理这个bug。而是简单地把代码如下:

$converted_text = iconv($sourceCharset, $targetCharset, $text);

改成如下代码:

$converted_text = $text;

就行了。思路就是取消它的转码。好吧工作不必纠结，可以继续了。

Tags: simple_html_dom

分享到：