Re: [問題] 抓回來的網頁去除html標籤後出現部份亂碼
※ 引述《redmist (....N )》之銘言：
: 寫了一支程式到網路上抓資料，用HTML::FormatText模組去除html標籤後會出現部份
: 亂碼(不是全部，甚至只有一小部份)，是什麼原因呢？
: code如下
: use LWP::UserAgent;
: use HTML::Parse;
: use HTML::FormatText;
: my $ua = LWP::UserAgent->new;
: $ua->agent("MyApp/0.1 ");
: my $word = '生氣';
: my $response = $ua->post(
: 'http://www.sinica.edu.tw/ftms-bin/scripts/look_for_sym.pl',
: [
: 'kw0' => $word
: ],
: );
: if ($response->is_success) {
: my $res = $response->content;
: #$res =~s/\r\n/\n/;
: $ascii = HTML::FormatText->new->format(parse_html($res));
: print $ascii;
: }
: else {
: die $response->status_line;
: }
: 印出來的部份結果如下
: (1) 書卷氣
: (2) 書生氣
: 共有2茼P義詞
: 為何會有小部份奇怪的亂碼呢？
好久沒有回問題了 回一下XD
2個同義詞 hex= 32 ad d3 a6 50 b8 71 b5 fc
2茼P義詞 hex= 32 d3 a6 50 b8 71 b5 fc
ad在處理中被吃掉了 hex ad = '-'
雖然不知道為什麼會這樣
還有有方法可以解決
1.在最前面加上
use Encode;
2.修改內文
if ($response->is_success) {
my $res = decode('big5',$response->content);
$ascii = HTML::FormatText->new->format(parse_html($res));
$ascii = encode('big5',$ascii);
print $ascii;
}
只要是中文問題 用這招通常都有效:P
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 140.121.197.133
※ 編輯: jjt 來自: 140.121.197.133 (12/19 01:00)
推
12/19 12:38, , 1F
12/19 12:38, 1F
討論串 (同標題文章)
Perl 近期熱門文章
PTT數位生活區 即時熱門文章
