1

当我将文本从 Word 文档复制并粘贴到记事本时，我会得到这些奇怪的字符（可能是由于编码问题），如下所示

... of var¬ious Federal ...

“¬”是奇怪的编码符号。当我在 PHP 中读取文本文件时，我想删除所有这些奇怪编码的符号。我尝试用空字符串替换“¬”

return preg_replace('/¬/', '', $string);

但是当我将文本返回到 HTML 网页时，只会导致另一个奇怪的字符被放置在单词的位置

... of var�ious Federal ...

为什么会发生这种情况，我能做些什么来解决它？

4

2 回答 2

2

字符集和编码简介

当文档显示在屏幕上时，人类将它们解析为字符序列（在计算机文本处理的上下文中也称为字形）。但是，当文档存储在磁盘上时，它们被写入字节序列，就像所有其他类型的文件一样。因此，必须有一个系统负责将字符转换为字节，反之亦然。

这样的系统称为字符编码。由于编码必须由计算机实现，因此它们需要明确定义，因此每种编码只能处理一组预定义的字符，这毫不奇怪称为字符集。

一些编码总是用一个字节来表示每个字符；这些被称为单字节编码。其他编码对每个字符使用多个字节，而不一定对所有可能的字符使用相同的数字；这些被称为多字节编码。

回顾一下：一个文本文档在逻辑上包含从一些预定义字符集中提取的字符，但是计算机以字节为单位工作，因此我们组成了将字符转换为字节的字符编码，反之亦然。一些编码被称为多字节，因为它们使用多个字节来表示单个字符。

回到你的问题

当您将文本文件保存到磁盘时，记事本使用了某种编码（这是一种多字节编码，但我们暂时假设我们不知道）。文本中的字符¬以字节的形式给出了一些特定的表示。

当您将 PHP 文件保存到磁盘时，您的源代码编辑器使用了一些编码来执行此操作。字符串文字 '/¬/' 中的字符¬以字节的形式给出了一些特定的表示。

默认情况下preg_replace，就像 PHP 中的所有通用字符串函数一样，以二进制模式运行。这意味着它以字节为单位工作。这与您的源代码编辑器形成对比，后者具有编码意识并以字符的形式显示源代码。结果，当您替换您认为是字符¬（NOT SIGN）时，preg_replace实际上替换了一系列字节，其确切形式取决于您的 PHP 源代码的编码。

这就是问题所在：如果文本文件的编码与您的源代码不匹配，那么所有关于文本可能实际发生的事情的赌注都将落空。

鉴于您显示的结果，您的情况很可能是这样的：

  1. 文本文件以某种多字节编码保存。
  2. PHP 源代码以单字节编码保存。
  3. ¬PHP 源代码中的单字节表示¬是文本中多字节表示的一部分，因此其中一个字节被删除了。
  4. 剩余的字节不符合编码规则，因此在替换后显示文本的程序会显示一个问号，表示“这里有东西，但不是我识别的字符”。

如何修复它

几种可能性都与上述一致，但它们都有一个共同的属性：您必须知道文本文件的编码（您可以使用记事本轻松做到这一点：“另存为”并查看对话框底部）。那么你也能：

  • 使用相同的编码保存您的文本文件和 PHP 源代码，一切都会正常工作。这是迄今为止最简单的。

  • 将表示文本文件编码中目标字符的字节注入您的 PHP 源代码。例如，假设文本文件保存为 UTF-8。此编码用字节序列 0xC2 0xA2 表示有问题的字符，因此您可以通过将代码编写为来替换此字节序列

    preg_replace("/\xc2\xa2/", '', $string)

    并且只要文本文件编码保持 UTF-8，无论您的 PHP 源代码是什么编码，它都可以工作。

于 2013-09-05T22:04:43.517 回答
0

尝试

$string = mb_convert_encoding($string, "UTF-8");
echo $string;
于 2013-09-05T22:03:05.040 回答