本篇文章更新時間：2019/02/16
如有資訊過時或語誤之處，歡迎使用 Contact 功能通知或向一介資男的 LINE 社群反應。
如果本站內容對你有幫助，歡迎贊助支持 。
這幾天都在用 NodeJS 寫爬蟲去測試解析資料，然後昨天要改用 PHP 實作的時候就發生一個詭異問題：
抽出來的文件是正常，但一經過移除斷行的解析時，整個文件編碼就走山了！
preg_replace('/s+/', ' ', $content);
怎麼想都是 preg_replace 這方法幫我加減料，後來才查到原因： Does preg_replace() change my character set?
因為 UTF8 編碼下的文字中常會帶有 0xa0 這個與「非斷行空白」一樣的使用，所以在 PCRE 模式下去做替換時，就會一並被處理到，導致編碼出現問題。
改法就是加上 /u 的參數，避免把 UTF8 字元給拆開來處理！
其實也不只有去解析 HTML 文件會碰到，只要是處理有 UTF8 字元的都可能，這個就真的要注意了～
#技術相關 #PHP #正規表示法 #爬蟲 #Parsing #HTML #UTF8 #亂碼 #RegEx
- Powered by Mxp.TW -FB2WP-