php - HTML 到纯文本 - 未知的原始编码

Question

我正在使用 PHP，从网站获取 html，将它们转换为纯文本并将它们保存到数据库中。

它们需要以 utf-8 格式保存到数据库中。我的第一个问题是我不知道原始编码，从未知编码编码为 utf-8 的最佳方法是什么？

第二个问题是html到纯文本的转换。我尝试使用 html2text 但它弄乱了所有外国 utf 字符。

最好的方法是什么？

编辑：关于纯文本的部分似乎不够清楚。我不需要只剥离 html 标签。我想在保持一种文档结构的同时剥离标签。<p>，<li>标签将转换为换行符等，并且标签之类<script>的内容将被完全删除。

score 3 · Accepted Answer

其他主题（例如格式化输出）取决于您的需求。

编辑：我不知道是否存在完整的解决方案，但此链接对于改进现有的 html 到您自己的文本 PHP 脚本确实很有帮助。

score 1 · Accepted Answer

此功能可能对您有用：

<?php
function FixEncoding($x){
  if(mb_detect_encoding($x)=='UTF-8'){
    return $x;
  }else{
    return utf8_encode($x);
  }
}
?>

2 回答 2