Question

我正在使用亚马逊的API来获取图书的描述。 API返回XML响应，并且描述标记（使用HTML）非常糟糕。为了处理这个标记不清的描述，这通常打破了我网站的布局，我正在尝试使用HTML Tidy来“清理它”。

为了防止在我的网页上显示“怪异”字符，我想我需要告诉Tidy输入编码是什么以及所需的输出编码是什么。我知道我希望输出为UTF8。但是，我不确定如何确定输入的编码（亚马逊的书籍描述）。

我尝试过这样的事情：

mb_detect_encoding($amazon_description);

这有帮助，但我偶尔会得到奇怪的角色（带有问号的黑色钻石：）。我的猜测是我没有正确检测到编码。

有什么建议我需要做什么？

修改

这是我目前的解决方案：

$sanitized_amazon_markup = preg_replace('/[^\w`~!@#$%^&*()-=_+[\]{}|;\':",.\/<>? ]/', '', $sanitized_amazon_markup);

我不确定这一点，因为这可能会删除我应该保留的内容。

Answer 1

你能提供整洁的repairString调用吗？

如果您尝试使用来自整洁选项的input-encoding和output-encoding，请尝试不使用这些选项并使用第三个参数或repairString代替，如下所示：

$oTidy = new tidy();
$page_content = $oTidy->repairString($page_content,
    array("show-errors" => 0, "show-warnings" => false),
    "utf8"
);

编辑：

在做了一些测试之后，如果你在调用$page_content

之前已经在repairString中没有utf8编码，那么之前说过的话就行不通了

但如果不是UTF-8，你最终将使用ISO-8859-1（latin1）编码。

我建议你尝试一下：

$charset = mb_detect_encoding($amazon_description, 'UTF-8, ISO-8859-1');
if ($charset == "ISO-8859-1") {
    $amazon_description = utf8_encode($amazon_description);
}
$oTidy = new tidy();
$amazon_description = $oTidy->repairString($amazon_description,
    array("show-errors" => 0, "show-warnings" => false),
    "utf8"
);

PHP - 如何检测编码？

1 个答案:

编辑：