0

我正在使用 HttpGetText 和 Synapse for Delphi 7 Professional 来获取网页的源代码 - 但请随意推荐任何组件和代码。

目标是通过将非 ASCII 字符“统一”为单个字符集来节省一些时间,这样我就可以使用相同的 Delphi 代码对其进行处理。

因此,如果您知道我的意思,我正在寻找类似于“在 Notepad++ 中全选并转换为没有 BOM 的 UTF”的内容。ANSI 而不是 UTF8 也可以。

网页以 3 个字符集编码:UTF8、“ISO-8859-1=Win 1252=ANSI”和没有字符集规范的 HTML4,即。htmlencodedÅ内容中的类型字符。

如果我需要编写一个 PHP 页面来进行转换,那也没关系。无论是最少的代码/时间。

4

2 回答 2

0

当您检索网页时,其Content-Type标题(或有时<meta>HTML 本身内的标签)会告诉您哪个字符集用于数据。您将使用该字符集将数据解码为 Unicode,然后您可以将 Unicode 编码为处理所需的任何内容。

于 2011-03-31T22:13:18.147 回答
0

相反,我在使用 GpTextStream 检索 HTML 后直接进行了反向转换。使文档符合 ISO-8859-1 使得它们可以直接使用 Delphi 进行处理,这节省了相当多的代码更改。输出时,所有数据都转换为 UTF-8 :)

这是一些代码。也许不是最漂亮的解决方案,但它确实可以在更短的时间内完成工作。请注意,这是用于反向转换。

procedure UTF8FileTo88591(fileName: string);
const bufsize=1024*1024;
var
fs1,fs2: TFileStream;
ts1,ts2: TGpTextStream;
buf:PChar;
siz:integer;
    procedure LG2(ss:string);
    begin
        //dont log for now.
    end;

begin
    fs1 := TFileStream.Create(fileName,fmOpenRead);
    fs2 := TFileStream.Create(fileName+'_ISO88591.txt',fmCreate);
    //compatible enough for my purposes with default 'Windows/Notepad' CP 1252 ANSI and Swe ANSI codepage, Latin1 etc.
    //also works for ASCII sources with htmlencoded accent chars, naturally
    try
      LG2('Files opened OK.');
      GetMem(buf,bufsize);
      ts1 := TGpTextStream.Create(fs1,tsaccRead,[],CP_UTF8);
      ts2 := TGpTextStream.Create(fs2,tsaccWrite,[],ISO_8859_1);
      try
        siz:=ts1.Read(buf^,bufsize);
        LG2(inttostr(siz)+' bytes read.');
        if siz>0 then ts2.Write(buf^,siz);
      finally
        LG2('Bytes read and written OK.');
      FreeAndNil(ts1);FreeAndNil(ts2);end;
    finally FreeAndNil(fs1);FreeAndNil(fs2);FreeMem(buf);
        LG2('Everything freed OK.');
    end;
end; // UTF8FileTo88591
于 2011-06-13T07:09:17.837 回答