在处理中文字符串的时候，如何处理�这个字符

Question

在处理一些爬下来的网页时，经常发现会存在�这个字符。尝试各种转编码，无果。

比如：

每个人对工� �的使用往往各有偏好

对应的原文是这个：

每个人对工具的使用往往各有偏好

如何处理这样的情况，这又是由于什么问题产生的呢？

如果需要资料，貌似这个可以看看

http://apps.timwhitlock.info/unicode/inspect?s=%EF%BF%BD

Answer 1

从某编码向Unicode编码转化时，如果没有对应的字符，得到的将是Unicode的代码“\uffffd”，也就是�这个字符。
这个是你的爬虫根本不识别原网页的编码格式（ASCII或者GB2312等）和压缩格式（Gzip等），全都无脑转成UTF-8字符串导致的，出现这个字符说明转换失败，数据已经丢失了，这个字符本身并没什么实际意义。

Answer 2

如果是PHP的话，这个可能是因为substring导致的。解决办法是安装mb_string模块，使用mb_*系列函数。

Answer 3

有时候一个汉字被截掉一部分会产生这个符号，比如一个两字节的汉子被截掉了一字节，怎么处理我也不知道。。。
你这个应该是‘具’字被分成两部分了。。

Answer 4

public static function utf8Substr($str, $from, $len)
{
    return preg_replace('#^(?:[\x00-\x7F]|[\xC0-\xFF][\x80-\xBF]+){0,'.$from.'}'.
        '((?:[\x00-\x7F]|[\xC0-\xFF][\x80-\xBF]+){0,'.$len.'}).*#s',
        '$1',$str);
}

Answer 5

这个问题我估计是因为这段文字在换行的时候被截断了，你扒文字的时候注意看看换行符有没有把一个文字分成两半

Answer 6

可能它就是乱码
你可以用浏览器正常访问一下试试