Question

我想知道如何清理MS Word的特殊字符，例如m和n-dashes以及引号？

我经常发现自己从Word复制客户端内容并粘贴到静态HTML页面，但内容最终会出现奇怪的字符，因为特殊字符未转换为正确的ACSII代码，因此显示为乱码文本。（对于这些基本网站，我使用的是Dreamweaver。）

当客户端将Word中的内容复制到仅文本字段（主要是textareas）时，我看到了很多类似的问题。当我把它放到PDF（通过PHP）或它出现在页面上时，它也会出现乱码。

你是如何处理的？您使用的是清洁服务或程序吗？

Answer 1

关于客户在textareas中发布Word中的复制/粘贴文本：

确保客户端以任何特定编码发送文本的最可靠方法（因此希望从CP-1252 [或任何Word使用]进行任何转换）是将accept-charset="..."属性添加到你所有的<form>。 E.g：

<form ... accept-charset="UTF-8">
   ...
</form>

大多数浏览器都会遵守这一规定，并确保在访问您的网站之前，任何“特定于字词”的字符都会转换为相应的字符集。

一旦无效文本进入您的网站，您无法可靠地修复它，因此最好只检查所有输入是否在您使用的任何字符集中有效，并丢弃任何包含无效文本的请求。即使使用accept-charset，这也是必要的，因为毫无疑问，有些客户会忽略它。

Answer 2

您可以使用preg_replace函数调用从字符串中删除单词或其他字符的所有特殊字符

 preg_replace('/[^\x00-\x7F]+/', '', $str);

Answer 3

注意在任何地方指定一个编码并使用UTF-8，然后那些“特殊”字符应该存活得很好。但是一旦他们经历了一个无法代表它们的编码，那么它最初的信息就会丢失，所以它无法修复（除了一些特定但很常见的情况，比如在Cp1252和ISO之间切换） 8859-1）。

Answer 4

您可以尝试Demoroniser。

Answer 5

确保将Word配置为使用UTF-8进行＆＃34;另存为...＆＃34; HTML。

这是选项＆gt;单词选项＆gt;高级＆gt;网络选项＆gt;编码

Answer 6

如果它是一个只是文本的Word文件（即：没有图形，表格等），您可以尝试从Word中保存为HTML，将生成的HTML复制/粘贴到Dreamweaver中的文档中，然后使用Dreamweaver的“清理Word HTML“功能（在命令菜单下）。

作为替代方案，您可以尝试使用fix my HTML，但我没有亲自尝试使用Word文字，因此结果可能会有所不同。