Bagaimana untuk mendapatkan kod sumber halaman web dan menukar pengekodan dalam php

Dalam dunia Internet, perangkak dan pemerolehan data adalah keperluan yang sangat biasa. Walau bagaimanapun, banyak kali apa yang kami perolehi bukan hasil yang kami jangkakan, dan salah satu sebabnya ialah masalah pengekodan. Bagaimana untuk mendapatkan kod sumber halaman web dengan betul dan melakukan penukaran pengekodan?

Terdapat banyak cara untuk mendapatkan kod sumber halaman web dalam PHP, seperti file_get_contents(), curl, dll. Kami memilih file_get_contents() sebagai contoh di sini.

Pertama, kita perlu menentukan format pengekodan tapak web. Jika kami tidak menentukan pengekodan, PHP menetapkan pengekodan aksara kepada ISO-8859-1 secara lalai Oleh itu, secara lalai, kami perlu menukar kod sumber halaman web yang diperoleh daripada ISO-8859-1 kepada format pengekodan yang kami perlukan. . Berikut ialah contoh mudah:

$url = "https://www.example.com";
$html = file_get_contents($url);
$html = mb_convert_encoding($html, "UTF-8", "ISO-8859-1");
echo $html;

Antaranya, $url ialah URL laman web yang perlu diperolehi, dan $html ialah kod sumber halaman web yang diperolehi. Untuk menukar $html kepada format pengekodan, fungsi yang digunakan ialah mb_convert_encoding(). Antara parameternya, yang pertama ialah rentetan yang perlu ditukar, yang kedua ialah format pengekodan sasaran yang perlu ditukar, dan yang ketiga ialah yang asal. pengekodan. Di sini kami menukarnya kepada pengekodan UTF-8.

Dalam pembangunan sebenar, kita mungkin menghadapi format pengekodan yang lebih kompleks, seperti GBK, BIG5, dll. Dalam kes ini, kita perlu mengendalikannya mengikut situasi sebenar. Format pengekodan boleh ditentukan dengan mencari charset dalam HTML, contohnya:

<meta charset="gbk">

Apabila format pengekodan tidak pasti, kita boleh menggunakan fungsi mb_detect_encoding( dalam pustaka PHP ) untuk pengenalan automatik. Contohnya:

$url = "https://www.example.com";
$html = file_get_contents($url);
$charset = mb_detect_encoding($html, "UTF-8, GBK, BIG5, ISO-8859-1");
$html = mb_convert_encoding($html, "UTF-8", $charset);
echo $html;

Antaranya, $charset mewakili format pengekodan yang diiktiraf secara automatik, tukarkannya kepada format UTF-8 dan keluarkan hasilnya.

Sudah tentu, dalam pembangunan sebenar, kami masih perlu mempertimbangkan banyak butiran, seperti tamat masa sambungan rangkaian, pertimbangan kod status HTTP, aksara khas dalam teks, dsb. Walau bagaimanapun, artikel ini telah memberikan anda idea dan kaedah asas, dan secara ringkas menunjukkan beberapa kaedah penukaran pengekodan bahasa Cina Ia dianalisis dan ditambah di sini. Saya percaya pembaca boleh beroperasi mengikut keperluan sebenar mereka.

Atas ialah kandungan terperinci Bagaimana untuk mendapatkan kod sumber halaman web dan menukar pengekodan dalam php. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!