这几天有在用simple_html_dom抓一些文章。不同网站的编码在国内基本上是gbk gb2312 utf-8。而以gb2312和utf-8居多。我这一版的simple_html_dom有一个方法 convert_text 是这个样子的。复制代码 代码如下: // PaperG - Function to convert the text from one character set to another if the two sets are not the same. function convert_text($text) { global $debug_object; if (is_object($debug_object)) {$debug_object- debug_log_entry(1);} $converted_text = $text; $sourceCharset = ""; $targetCharset = ""; if ($this- dom) { $sourceCharset = strtoupper($this- dom- _charset); $targetCharset = strtoupper($this- dom- _target_charset); } if (is_object($debug_object)) {$debug_object- debug_log(3, "source charset: " . $sourceCharset . " target charaset: " . $targetCharset);} if (!empty($sourceCharset) && !empty($targetCharset) && (strcasecmp($sourceCharset, $targetCharset) != 0)) { // Check if the reported encoding could have been incorrect and the text is actually already UTF-8 if ((strcasecmp($targetCharset, 'UTF-8') == 0) && ($this- is_utf8($text))) { $converted_text = $text; } else { $converted_text = iconv($sourceCharset, $targetCharset, $text); } } // Lets make sure that we don't have that silly BOM issue with any of the utf-8 text we output. if ($targetCharset == 'UTF-8') { if (substr($converted_text, 0, 3) == "/xef/xbb/xbf") { $converted_text = substr($converted_text, 3); } if (substr($converted_text, -3) == "/xef/xbb/xbf") { $converted_text = substr($converted_text, 0, -3); } } return $converted_text; } 来看这一行：复制代码 代码如下: $converted_text = iconv($sourceCharset, $targetCharset, $text); 会引起转码不正确。比如会把gb2312的文字转成：复制代码 代码如下: 4月26日在 span 鏈濋槼 /span 公园马术场举行的2014浪琴国际马联场地障碍世界杯中国联赛资格赛上，24岁的韩壮壮不仅拿到零罚分的成绩 ...第7个出场的 span 鍖椾含 /span 奥运骑手赵志文第一个收获零罚分，用时77秒07 ... 既成的事实了，证明里头的转码功能没有处理好。由于我使用这个simple_html_dom只是想要用来构建dom。我并没有打算花时间去很好地处理这个bug。而是简单地把复制代码 代码如下: $converted_text = iconv($sourceCharset, $targetCharset, $text); 改成复制代码 代码如下: $converted_text = $text; 就行了。思路就是取消它的转码。好吧工作不必纠结，可以继续了。PHP教程
