iconv 中文截断问题的解决方法

iconv 中文截断问题的解决方法

今天做了一个採集程序，原理非常easy。使用curl方法把对方页面的html获取分析，然后正则提取须要的数据并保存在数据库。

因为对方页面是GB2312编码，而本地使用的是UTF-8编码。因此在採集后须要进行编码转换。

使用了iconv方法进行编码转换

iconv — 字符串按要求的字符编码来转换
string iconv ( string $in_charset , string $out_charset , string $str )
将字符串 str 从 in_charset 转换编码到 out_charset 。
 

转换的方法非常easy，直接使用iconv方法就能够了

<?php
$content = iconv('GB2312', 'UTF-8', $content); // $content为採集到的内容
?
>

试验了几个页面，都能正常採集。但在之后的採集中，有几个页面採集不完整。

一開始考虑是否正则有错。检查后排除此问题。经过排查，发现经过iconv转码后的内容比採集的内容少了一大段。

查看apache log。看到提示：Notice: iconv(): Detected an illegal character in input string。

翻查手冊，看到下面说明

假设你在 out_charset 后加入了字符串 //TRANSLIT。将启用转写（transliteration）功能。这个意思是，当一个字符不能被目标字符集所表示时，它能够通过一个或多个形似的字符来近似表达。

 

假设你加入了字符串 //IGNORE，不能以目标字符集表达的字符将被默默丢弃。 否则， str 从第一个无效字符開始截断并导致一个 E_NOTICE 。 

原来iconv遇到不能识别的内容，会从第一个不能识别的字符開始截断，并生成一个E_NOTICE。

因此后边的内容被丢弃了。

而在输出字符集后加上//IGNORE则仅仅丢弃不能识别的内容，而不会截断和丢弃后面的内容。

改动程序后一切正常

<?
php
$content = iconv('GB2312', 'UTF-8//IGNORE', $content); // $content为採集到的内容
?
>

Tips：使用iconv时,假设要使用UTF-8编码的，请使用UTF-8而不要使用UTF8。由于UTF8有些server会有问题。