Wieder mal char-Probleme

[newbie1955]

Hallo, ich lese eine Website aus, doch die Anführungszeichen kommen trotz ENT_QUOTES verstümmelt als Fragezeichen zurück. Mein php, das auf Vorschläge aus dem Forum zurückgeht sieht so aus:

<?php

/*error_reporting( -1 );
ini_set('display_errors', TRUE);
*/

$data = file_get_contents('http://www.webseite.de/sachsen/');
$data = utf8_decode($data);

$doc = new DOMDocument(); 
$doc->loadHTML($data); 

$xPath = new DOMXPath($doc);

$zaehler = 0;
foreach ($xPath->query('//h1/a') as $element) 
{    
   

     $href = $element->getAttribute('href');
     $hreft = "http://www.webseite.de" . $href;
     $title = $element->nodeValue; 

   /*$title = $element->getAttribute('title');*/
        


If ($zaehler <= 13)
    {

echo "<li><a href=\"".htmlspecialchars($hreft, ENT_QUOTES)."\" target=\"_blank\">".htmlspecialchars($title, ENT_QUOTES)."</a></li>\n"; 


                 $zaehler++;
           }
    }  


?>


</ul>

Im Quelltext der Webseite sieht es so aus:

 <h1>       <a title="Polizeieinsatz gegen „Reichsbürger“" 
href="/sachsen/polizeieinsatz-gegen-reichsbuerger-2556336.html">
Polizeieinsatz gegen „Reichsbürger“ </a>     </h1>

Ausgegeben wird es so:

[URL="http://www.sz-online.de/sachsen/polizeieinsatz-gegen-reichsbuerger-2556336.html"]Polizeieinsatz gegen ?Reichsbürger? [/URL]

Wie kriege ich die Fragezeichen in Anführungsstriche gewandelt.

Gruß und Dank newbie 1955

[h3ll]

Setzt du auf deiner Seite den richtigen Zeichensatz?

[newbie1955]

charset

Hallo, bei mir auf der Seite:

<meta http-equiv="Content-Type" content="text/html; charset=utf-8"/>

Auf der eingelesenen Seite

   <meta charset="utf-8" />

Alle anderen Seiten kommen ja auch richtig.

[h3ll]

Der meta-Tag wird vom Browser nicht beachtet. Du musst den Zeichensatz im HTTP-Header setzen.

header('Content-Type: text/html; charset=utf-8') 

[newbie1955]

Ergänzung

Auf der Seite steht offenbar links das "„", aber mit str_replace kann ich es auch nicht ersetzen. Gibt es eine direkt Möglichkeit herauszufinden, wie ein bestimmtes Zeichen auf der Seite Kodiert wurde? urlencode hilft ja auch nicht.

[h3ll]

Der DOM-Parser wird, vermute ich, die Entities durch die entsprechende Zeichen automatisch ersetzen. Also da solltest du nichts mehr tun müssen. Entities haben keine Kodierung, sondern sie entsprechen unabhängig von der Kodierung immer dem selben Zeichen.

Bei htmlspecialchars() musst du übrigens als dritten Parameter auch die richtige Zeichenkodierung angeben.

[newbie1955]

chars

also das mit der richtigen Zeichenkodierung bei htmspecialchars habe ich hier

PHP htmlspecialchars() Function

nicht gefunden.


Und das Setzen des Zeichensatzes im HTTP-Header hat nicht geholfen.
Aber dennoch danke für den Hinweis!

Auch ein define('CHARSET', 'UTF-8'); half nix

[h3ll]

Defines encoding used in conversion. If omitted, the default value for this argument is ISO-8859-1 in versions of PHP prior to 5.4.0, and UTF-8 from PHP 5.4.0 onwards.

For the purposes of this function, the encodings ISO-8859-1, ISO-8859-15, UTF-8, cp866, cp1251, cp1252, and KOI8-R are effectively equivalent, provided the string itself is valid for the encoding, as the characters affected by htmlspecialchars() occupy the same positions in all of these encodings.

PHP: htmlspecialchars - Manual

[newbie1955]

Ja,

ich glaube es Dir ja, ich wollte nur sagen, dass nicht überall darauf hingewiesen wird und auch in den diversen Manuals sehr sehr viele Anwendungsbeispiele aufgeführt sind ohne Angabe des Zeichensatzes. Danke für den Hinweis.

Aber auch das hat leider die Fragezeichen nicht in Anführungsstriche verwandelt ausgegeben.

[h3ll]

Ich hab es jetzt mal selber ausprobiert. Das Problem ist, dass die eingelesene HTML-Seite kaputt ist.

<meta charset="utf-8" />

ist kein gültiger HTML-Code. Es müsste lauten:

<meta http-equiv="Content-Type" content="text/html; charset=utf-8"/>

Du kannst den DOM-Parser dazu überreden trotzdem UTF-8 zu verwenden, wenn du folgendes machst:

$doc->loadHTML('<?xml encoding="UTF-8">' . $data);

Ist zwar nicht besonders schön, aber wenn schon der Source kaputt ist, gibts entweder die Möglichkeit ihn zu reparieren (also in dem du dich an den Seitenbetreiber wendest) oder versuchen Workarounds zu basteln. Es kann natürlich sein, dass der Workaround irgendwann nicht mehr funktioniert, wenn der Seitenbetreiber auf die Idee kommt auf seiner Seite rumzubasteln.

Edit: Nach "UTF-8"> fehlt übrigens ein Hochkomma. Das hat die Foren-Software verschluckt.

[mephisto111]

utf8_decode

Hallo,

wenn die Web-Seite UTF-8-kodiert ist, wird sie durch die zweite Zeile

$data = utf8_decode($data);

verstümmelt. Die Gänsefüßchen sind nämlich gar kein Bestandteil von ISO-8859-1. Kurz: "utf8_decode" ist nur dann (möglicherweise) sinnvoll, wenn man sicher ist, dass alle vorkommenden Zeichen auch in ISO-8859-1 dargestellt werden können.

[newbie1955]

Danke, aber..

...trotzdem werden immer Fragezeichen ausgegeben statt der beknackten QUotes-unten.

Ich habe Deinen Vorschlag übernommen - und noch ein ' ergänzt.

Mein PHP sieht jetzt so aus:

<?php

/*error_reporting( -1 );
ini_set('display_errors', TRUE);
*/
define('CHARSET', 'UTF-8');
$data = file_get_contents('http://www.sz-online.de/sachsen/');
$data = utf8_decode($data);

$doc = new DOMDocument(); 
$doc->loadHTML('<?xml encoding="UTF-8">' . $data);

$xPath = new DOMXPath($doc);

$zaehler = 0;
foreach ($xPath->query('//h1/a') as $element) 
{    
   

     $href = $element->getAttribute('href');
     $hreft = "http://www.sz-online.de" . $href;
     $title = $element->nodeValue; 
     $search = "„";
   /*$title = $element->getAttribute('title');*/
        
str_replace ($search , '"', $title);
str_replace ($search , '"', $hreft);

If ($zaehler <= 13)
    {

urlencode ($title);

echo "<li><a href=\"".htmlspecialchars($hreft, ENT_QUOTES, UTF-8, false)."\" target=\"_blank\">".htmlspecialchars($title, ENT_QUOTES, false)."</a></li>\n"; 


                 $zaehler++;
           }
    }  


?>


</ul> 

  </div>

Habe ich noch was übersehen? Ich verstehe nicht, dass er doch alles andere offenbar korrekt in utf-8 ausgibt und nur diese Anführungzeichen nicht. Gibt es denn keinen Weg, diese speziellen Zeichen zu ersetzen?

Gruß
newbie1955

[newbie1955]

Das war's

Hallo,

wenn die Web-Seite UTF-8-kodiert ist, wird sie durch die zweite Zeile

$data = utf8_decode($data);

verstümmelt. Die Gänsefüßchen sind nämlich gar kein Bestandteil von ISO-8859-1. Kurz: "utf8_decode" ist nur dann (möglicherweise) sinnvoll, wenn man sicher ist, dass alle vorkommenden Zeichen auch in ISO-8859-1 dargestellt werden können.

hallo, mephisto, danke, das war's, obwohl ich es nicht so ganz nachvollziehen kann, wie das kam, denn das utf8_decode, war ja ein Versuch, die von Beginn an ausgegebenen Fragezeichen "loszuwerden". Naja, es funktioniert jedenfalls. Danke!

[h3ll]

Wie mephisto schon geschrieben hat: utf8_decode() ändert alle Zeichen, die nicht im ISO-8859-1 Zeichensatz vorkommen, in ein Fragezeichen. Was soll sie auch sonst tun? Das ist ihr definiertes Verhalten, das auch im PHP-Handbuch steht.

$pi = 'π';

echo $pi; // π
echo utf8_decode($pi); // ? 

[Melewo]

echo "<li><a href=\"".htmlspecialchars($hreft, ENT_QUOTES, UTF-8, false)."\" target=\"_blank\">".htmlspecialchars($title, ENT_QUOTES, false)."</a></li>\n"; 

Noch eine Kleinigkeit, UTF-8 wird wie ein String mit Anführungszeichen notiert.

[..., string $encoding = 'UTF-8' [, bool $double_encode = true ]]] )