当前位置:Gxlcms > PHP教程 > 在处理中文字符串的时候,如何处理�这个字符

在处理中文字符串的时候,如何处理�这个字符

时间:2021-07-01 10:21:17 帮助过:153人阅读

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

回复内容:

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

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。

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。

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。。

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);
}

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

可能它就是乱码
你可以用浏览器正常访问一下试试

人气教程排行