确定/转换外部 HTML 文件编码的最佳方法是什么？
我正在解析来自大约 100 个不同域的 HTML。我可以检查每个域使用的编码&那样做事情，但这似乎很愚蠢。
通常编码位于标头标签中，是吗？但我并不总是收集。所以我可能需要运行一些正则表达式？或使用一些 mb_ 函数。或者也许使用 cURL？到目前为止我找到的所有示例都是针对 XML 和 XML 的。现在我很头疼。
是的，我也使用 DOMDocument 类来查找我想要的内容。这一切都很好。除了编码之外。
I am parsing HTML from ~100 different domains. I could check what encoding each domain uses & do things that way, but that seems dumb.
Usually the encoding is in the header tags yeah? but not always I gather. so I may need to run some regex? or use some mb_ functions. Or perhaps use cURL? All the examples I've found so far are for XML & now I've got a headache.
Yes also I am using the DOMDocument class to find what I want. And that is all working great. Except for the encoding.
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论
评论（2）
根据 W3C 国际化标准，您应该遵循这些优先级，以便获取 HTML/XML 文档的编码：
Content-Type标头（来自 HTTP 响应）meta标记与http-equiv="Content-Type"（来自 HTML 标头）根据我的经验，当所有这些都失败时，您可以假设编码很可能是 ISO-8859-1 或 CP1252。您可以使用 iconv 库解码内容，例如：
iconv("UTF-8", "ISO-8859-1", $content)。如果您使用 cURL 库来获取 URL，则可以通过以下方式获取内容类型标头：
curl_getinfo($ch, CURLINFO_CONTENT_TYPE)。其他标签可以使用 XML/HTML 解析器提取。According to the W3C internationalization standards, you should follow these priorities in order to get the encoding of an HTML/XML document:
Content-Typeheader (from the HTTP response)<?xml version="1.0" encoding="utf-8" ?>metatag withhttp-equiv="Content-Type"(from the HTML header)In my experience, when all that fails, you can assume encoding is most probably ISO-8859-1 or CP1252. You can decode content using the iconv library, e.g.:
iconv("UTF-8", "ISO-8859-1", $content).If you use the cURL library to fetch the URLs, you can get the Content Type header with:
curl_getinfo($ch, CURLINFO_CONTENT_TYPE). The other tags can be extracted with an XML/HTML parser.您可以解析元标记，任何负责任的程序员都应将其包含在
元素中。您还可以选择拒绝任何标头或元标记中没有字符集的 html。
You can parse a meta tag which any responsible programmer should have included in the
<head>element.You can also choose to reject any html which does not have the charset in the header or in a meta tag.