0

我正在使用简单的 HTML DOM 类进行网页抓取。问题是它会针对 unicode 字符生成奇怪的字符。

हंगामा है कà¥à¤¯à¥‚ठबरपा / अकबर इलाहाबादी 

针对印地语 unicode 字符。

लेकिन इतना तो हुआ कुछ लोग

它是我的印地语文本。

当我打印屏幕输出时,它以相同的奇怪字符输出。

function getDomContent($data) {
    $html = new simple_html_dom();
    $html->load($data);

    foreach ($html->find('table[id=content] li') as $element) {
        $content[] = $element->plaintext;
    }

    return $content;
}

我的卷曲功能

function getContent($url) {
    $timeout = 5;
    $ch = curl_init();
    $user_agent = 'Mozilla/5.0 (Windows NT 6.1; rv:8.0) Gecko/20100101 Firefox/8.0';
    curl_setopt($ch, CURLOPT_URL, $url);
    curl_setopt($ch, CURLOPT_USERAGENT, $user_agent);
    curl_setopt($ch, CURLOPT_HEADER, 0);
    curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1);
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
    curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, 120);
    curl_setopt($ch, CURLOPT_TIMEOUT, 120);
    curl_setopt($ch, CURLOPT_MAXREDIRS, 10);
    curl_setopt($ch, CURLOPT_COOKIEFILE, "cookie.txt");
    curl_setopt($ch, CURLOPT_COOKIEJAR, "cookie.txt");
    $data = curl_exec($ch);
    curl_close($ch);
    return $data;
}

$data = getContent($url);
$content = getDomContent($data);
echo '<pre>Array Content: ' . '<br/>';
print_r($content);
die($query);
4

2 回答 2

0

编码似乎有问题。尝试使用iconv PHP 函数。

$text = iconv("current text codification", "UTF-8", $text)

但是,如果您不知道当前编码,请尝试使用iconv_set_encoding将其设置为全局配置。

iconv_set_encoding("internal_encoding", "UTF-8");
于 2013-08-12T09:32:39.017 回答
0

我通过在页面中添加标题来解决它...

<meta http-equiv="Content-Type" content="text/html; charset=utf-8">

它解决了所有问题。

于 2013-09-03T05:18:02.697 回答