PHPでcURLを使用して独自のWebクローラーを作成しようとしています。PHPでの文字コードセットの推定
[...]
mb_internal_encoding('UTF-8');
mb_language('uni');
$this->_curl = curl_init();
curl_setopt($this->_curl, CURLOPT_SSL_VERIFYPEER, false);
curl_setopt($this->_curl, CURLOPT_SSL_VERIFYHOST, 0);
curl_setopt($this->_curl, CURLOPT_FOLLOWLOCATION, false);
curl_setopt($this->_curl, CURLOPT_MAXREDIRS, 0);
curl_setopt($this->_curl, CURLOPT_TIMEOUT, 10);
curl_setopt($this->_curl, CURLOPT_USERAGENT, 'Mozilla/5.0 (Windows; U; Windows NT 6.1; de; rv:1.9.2.10) Gecko/20100914 Firefox/3.6.10');
curl_setopt($this->_curl, CURLOPT_HEADER, true);
curl_setopt($this->_curl, CURLOPT_RETURNTRANSFER, true);
$header = array(
"Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
"Accept-Language: de-de,de;q=0.8,en-us;q=0.5,en;q=0.3",
"Accept-Charset: ISO-8859-1,utf-8;q=0.7,*;q=0.7",
"Keep-Alive: 115",
"Connection: keep-alive",
);
curl_setopt($this->_curl, CURLOPT_HTTPHEADER, $header);
curl_setopt($this->_curl, CURLOPT_URL, $url);
curl_setopt($this->_curl, CURLOPT_POST, false);
curl_setopt($this->_curl, CURLOPT_POSTFIELDS, array());
curl_setopt($this->_curl, CURLOPT_HTTPGET, true);
$page = curl_exec($this->_curl);
[...]
問題はウェブサイトの文字セットです。あなたは
http://blog.163.com/drewes_4711/blog/static/179317021201151624826557/
上で見ることができるようにヘッダ"Content-Type: ...;charset=GBK"
があるので、私はmb_convert_encoding($content, "UTF-8", "GBK");
を行うことができますが、私は
http://tech.hexun.com/2011-06-21/130756909.html
で何をすべきことは、同じ文字セットであることををようだが、それはHTTPヘッダーで与えられていません。だから私はドイツ語のウムラウト、中国語、アジア言語に大きな問題を抱えています...ダウンロードしたHTMLサイトの文字セットをcURLで調べるために使用できるモジュールやスニペットはありますか?
@ mu、@ Mat:素晴らしい。私は知らない、なぜ私はこれを自分で探していないのですか?しかし、「Accept-Charset:utf-8」を送信したときに、コンテンツがUTF-8であると仮定するのは正しいことではなく、ヘッダーやコンテンツにコンテンツタイプが見つかりませんか? – rabudde
理想的な世界では、この問題は本当にありません。しかし、あなたのアプリが標準設定に準拠したウェブサーバやページを適切に設定している場合には、欠けてしまうものがたくさんあります:-) – Mat
確かに。私は 'mb_check_encoding($ string、 'UTF-8')'でチェックします。そうでなければ、 'utf8_encode($ string)'を実行します。 – rabudde