PHP解析html类库simple_html_dom的转码bug

这几天有在用simple_html_dom抓一些文章。不同网站的编码在国内基本上是gbk gb2312 utf-8。而以gb2312和utf-8居多。

我这一版的simple_html_dom有一个方法 convert_text 是这个样子的。

 // paperg - function to convert the text from one character set to another if the two sets are not the same.
 function convert_text($text)
 {
  global $debug_object;
  if (is_object($debug_object)) {$debug_object->debug_log_entry(1);}
  $converted_text = $text;
  $sourcecharset = "";
  $targetcharset = "";
  if ($this->dom)
  {
   $sourcecharset = strtoupper($this->dom->_charset);
   $targetcharset = strtoupper($this->dom->_target_charset);
  }
  if (is_object($debug_object)) {$debug_object->debug_log(3, "source charset: " . $sourcecharset . " target charaset: " . $targetcharset);}
  if (!empty($sourcecharset) && !empty($targetcharset) && (strcasecmp($sourcecharset, $targetcharset) != 0))
  {
   // check if the reported encoding could have been incorrect and the text is actually already utf-8
   if ((strcasecmp($targetcharset, 'utf-8') == 0) && ($this->is_utf8($text)))
   {
    $converted_text = $text;
   }
   else
   {
    $converted_text = iconv($sourcecharset, $targetcharset, $text);
   }
  }
  // lets make sure that we don't have that silly bom issue with any of the utf-8 text we output.
  if ($targetcharset == 'utf-8')
  {
   if (substr($converted_text, 0, 3) == "\xef\xbb\xbf")
   {
    $converted_text = substr($converted_text, 3);
   }
   if (substr($converted_text, -3) == "\xef\xbb\xbf")
   {
    $converted_text = substr($converted_text, 0, -3);
   }
  }
  return $converted_text;
 }

来看这一行：

    $converted_text = iconv($sourcecharset, $targetcharset, $text); 

会引起转码不正确。比如会把gb2312的文字转成：

4月26日在<span style="color:#c03">鏈濋槼</span>公园马术场举行的2014浪琴国际马联场地障碍世界杯中国联赛资格赛上，24岁的韩壮壮不仅拿到零罚分的成绩 ...第7个出场的<span style="color:#c03">鍖椾含</span>奥运骑手赵志文第一个收获零罚分，用时77秒07 ...

既成的事实了，证明里头的转码功能没有处理好。由于我使用这个simple_html_dom只是想要用来构建dom。我并没有打算花时间去很好地处理这个bug。而是简单地把

$converted_text = iconv($sourcecharset, $targetcharset, $text);

改成

$converted_text = $text;

就行了。思路就是取消它的转码。好吧工作不必纠结，可以继续了。