Question

我正在为一个网站搜索各种文本数据（当然是获得许可）。我看到的问题是某些字符在此过程中未正确编码。这与撇号（'）特别突出：导致如下字符：。

目前，我使用以下代码从已删除的数据转换各种HTML实体：

htmlentities($content, ENT_COMPAT, 'UTF-8', FALSE)

有没有更好的方法来处理这类事情？

Answer 1

HTML实体有两个目标：

转义HTML中具有特殊含义的字符，例如角度引号，因此可以将它们用作文字。
显示您正在使用的字符集不支持的字符，例如ISO-8859-1文档中的欧元符号。

它们不完全是编码工具。

如果您想从一个字符集转换为另一个字符集，我建议您使用iconv()。但是，您必须知道源和目标字符集。应该在Content-Type响应头中提及源字符集，并且您在启动站点时决定了目标字符集（尽管在您的情况下看起来像UTF-8是最合理的选项）。

Answer 2

您不想立即使用htmlentities，我会在存储它之前在最后一点使用该数据。你遇到的一个问题是人们并不总是正确编码他们的实体。不是每个人都使用™，他们只是复制商标。如果你设置一些逻辑来尝试抓住他们放入的任何东西并正确编码，你可能会更好。例如：

$patterns = array();
$patterns[0] = '/&mdash;/';
$patterns[1] = '/&nsbsp;/';
$patterns[2] = '/&reg;/';

$replacements = array();

$replacements[2] = '&151;';
$replacements[1] = '&160;';
$replacements[0] = '&174;';

$ourhtml = preg_replace($patterns, $replacements, $html);

您可以找到所有“陷阱”字符，如破折号和单引号，撇号等，并手动编码，以及对实体（文本或数字）使用设置标准。

您也可以使用正则表达式来执行相同的操作，并且可能是更优雅的解决方案。但我的建议是花一些时间过滤掉你不想要的东西，然后你知道你的数据将准确地准备好你喜欢的方式。

Answer 3

根据提供的信息建议事情有点困难。你能提供一个例子的文本片段吗？

如果做不到这一点，我将采用霰弹枪的方法（例如，建议一堆东西并希望其中一个击中）

首先，您确定要访问的页面是以UTF-8编码的吗？ mb_detect_encoding说什么？

一个选项（根据您的需要可能不起作用）是使用iconv和TRANSLIT选项将字符转换为使用PHP更容易处理的字符。您还可以使用mb_*函数来处理多字节字符串。

您确定htmlentities是问题吗？如果内容为UTF-8，并且您的网站设置为提供ISO-8859-1，则您将看到奇数字符。检查浏览器使用的编码，确保它与您正在生成的字符的编码匹配。

Answer 4

只要您将false作为最后一个参数传递，我就没有看到使用htmlentities（）的任何问题。这样可以确保您不会对任何内容进行两次编码（例如将&转换为&amp;）。

正确的字符编码

4 个答案: