Question

我了解到 ISO-8859-1 是一个单字节字符集。

请参阅第http://www.manoramaonline.com/cgi-bin/MMOnline.dll/portal/ep/malayalamContentView.do?tabId=11&programId=1073753760&BV_ID=@@@&contentId=15238737&contentType=EDITORIAL&articleType=Malayalam%20News页。它使用的是马拉雅拉姆语。

HTTP标头和元标记表明它使用 ISO-8859-1 作为字符编码。

但是在这个页面中使用了一个双字节字符（0x201A）（http://unicodelookup.com/#%E2%80%9A）。

enter image description here

（复制角色并在http://unicodelookup.com中查找）

<div id="articleTitleMal" style="padding-top:10px;">
    <font face= "Manorama" >
         ¼ÈØOVA¢: ÜÍß‚Äí 1.28 ...
    </font>
 </div>

如何在单字节编码中使用双字节字符？

我不了解这一点。由于不了解上述问题，我的任务之一被搁置了。

更新：他们使用的是字体www.manoramaonline.com/portal/mmcss/Manorama.ttf，我认为Manaorama字体中的一些字符使用两个字节。

UPDATE2：我尝试使用以下代码将文档从ISO-8859-1转换为UTF-8。

<?php
$t = file_get_contents('http://www.manoramaonline.com/cgi-bin/MMOnline.dll/portal/ep/malayalamContentView.do?tabId=11&programId=1073753760&BV_ID=@@@&contentId=15238737&contentType=EDITORIAL&articleType=Malayalam%20News');

// Change the charset info in meta-tag
$t  = str_replace('ISO-8859-1', 'UTF-8', $t);

file_put_contents('t.html', utf8_encode($t));

那段时间缺少上面选择的角色。

enter image description here

Answer 1

即使页面在HTTP标头中声明为ISO-8859-1编码，浏览器也会将其解释为Windows-1252编码。这是一个长期的传统，现在正式化，例如在WHATWG Encoding Standard。

因此，当数据包含字节82（十六进制）时，它不作为控制字符（根据ISO 8859-1）而是作为U + 201A“，”（根据Windows-1252）。

但是，该页面使用字体技巧，根据特殊的内部非标准编码将代码位置映射到Malayalam字符。（如果你在页面上禁用样式表，你可以看到这一点。所有文本都变得乱七八糟。）页面实际上并不意味着包含U + 201A“，”但是字体82中指定了Malayalam字符的字节。 / p>

因此，您需要按原样保留字节以获得相同的结果。转换为UTF-8会破坏这一点。

如果要将数据转换为Unicode，则需要找出正在使用的字体的内部编码，并在字符级别执行该映射。

单字节字符编码的双字节字符（ISO-8859-1）HTML文档

1 个答案: