Question

我希望下载一个可能采用任何可能的文本编码的网页，并将其另存为UTF16LE。假设我可以确定文本的编码（通过检查HTTP标头，HTML标头和/或BOM），我该如何转换文本？

我正在使用Delphi 2009.不幸的是，帮助文件没有解释如何从任何编码转换为Unicode（UTF16LE）字符串。具体问题：

我是否可以通过在AnsiString上设置正确的编码并将其分配给UnicodeString来完成转换？
如果是这样，我如何翻译可能将网页（Big5，Shift-JIS，UTF-32等）标记为正确格式以初始化AnsiString的各种“charset”描述？

感谢您的建议。

我喜欢直接使用Win32和VCL，但涉及ActiveX控件的答案也可能会有所帮助。

Answer 1

您打算如何访问该页面？嵌入式Internet Explorer，INDY，第三方工具，......？这可能会影响答案，因为它决定了输入字符串的格式。

第1部分：获取页面

如果您使用嵌入式Internet Explorer（TWebBrowser）访问该页面，则事情非常简单：

var htmlElement:IHTMLElement;
    myText:String;
begin
  // Get access to the HTML element of the document:
  htmlElement:=(WebBrowserControl.DefaultInterface.Document as IHTMLDocument3).documentElement;
  // Receive the full HTML of the web page:
  myText:=htmlElement.OuterHTML;

网页的编码应该由IE和Delphi正确处理，最后得到一个包含结果的UnicodeString（示例中为myText）。

第2部分：以UTF-16LE保存

无论您的字符串来自何处 - 您都可以将其保存为所需的编码：

var s:TStringStream;
begin
  s:=TStringStream.Create(myText, TEncoding.Unicode, false);
  s.SaveToFile('yourFileToSaveTo.txt');
  FreeAndNil(s);
end;

TEncoding.Unicode是UTF-16LE，但您也可以使用任何其他编码。

希望这有帮助。

Answer 2

在D2009及更高版本中，Indy 10的TIdHTTP组件会自动将收到的网页解码为UTF-16。

在Windows上执行charset-to-Unicode转换需要使用代码页（除非您使用ICONV库），因此您必须先将charset名称转换为合适的代码页，然后才能使用TEncoding.GetEncoding（）和TEncoding.GetString（），或者在RawByteString（不是AnsiString）上调用SetCodePage（）然后分配给UnicodeString进行转换（在内部，Indy使用TEncoding并有自己的字符集到代码页查找表）。

使用Delphi 2009下载并保存任何网页为Unicode？

2 个答案: