Dotaz: PHP a CURL mění tvrdé mezery

[Urso]

Příloha:

• problem.png (5658 bytů)

Zdravím, mám problém se stažením kódu jiné stránky pomocí CURL. Při načtení jiné stránky v kódování win-1250 pomocí CURL a její začlenění do stránky kódované jako UTF-8 mi to tvrdé mezery ( ) načte jako nesmyslné znaky (?), viz ukázka kódu:

$dotaz = "http://www.neco.cz/?kod=3"; $ch = curl_init(); curl_setopt($ch, CURLOPT_URL, $dotaz); curl_setopt($ch, CURLOPT_HEADER, 0); curl_setopt($ch, CURLOPT_RETURNTRANSFER,1); // vystup do promenne if (($buff = curl_exec($ch)) === false) { echo "Chyba: "; } else { } curl_close($ch); $buff = wintoutf8($buff); echo $buff; Nevíte někdo jak to vyřešit?

---

---

Odpovědi

[zulu]

Z toho kódu, ale nepoznáme co a jak převádíš a přiložený obrázek sám o sobě je v pořádku.

[Messa]

Opravdu sis ověřil, že to CURL stáhne dobře - že v tom co stáhne, ty tvrdé mezery ještě jsou? Já si totiž myslím, že tam budou, že CURL funguje správně a že problém bude ve funkci wintoutf8.

[Urso]

Když funkci WINTOUTF8() vypnu, tak je výsledek stejný, pouze čeština ukazuje paznaky.

[chrono]

Skús sem vložiť (ako prílohu) textový súbor, v ktorom bude to číslo aj s tým znakom v pôvodnom kódovaní.

[Urso]

To zpracovává cizí cgi script přes VPN, k tomu nemám přístup.

[Šangala]

Bylo myšleno spíše, vložit sem obsah $buff bez jakékoliv další úpravy, jako bez prohnání wintoutf8() apod.

[Šangala]

Nemyslím si že chyba je v CURL, ale není možné, že server, ze kterého taháte se rozhoduje co pošle např. podle useragenta a pošle ty čísla jinak formátované?, bo na obrázku nesmyslný znak nevidím :)
To by pak mohlo pomoci např:
curl_setopt($ch,CURLOPT_USERAGENT','Mozilla/5.0 (X11; U; Linux i686; cs-CZ; rv:1.9.0.2) Gecko/20121223 Ubuntu/9.25 (jaunty) Firefox/3.0');
Pokud teda to neprasí wintoutf8().

[Urso]

Tak tohle nepomáhá. Zajímavé je, že pokud ve FireFoxi dám zobrazení->znaková sada->windows 1250 tak oddělovač tisíců v čísle je správně, ale ne jako tvrdá mezera   ale jako normální mezera (císlo 20 hexadec., 32 dec.).

[Šangala]

Uložte obsah $buff (pomocí fopen,fwrite) do souboru bez wintoutf8() a případně do druhého souboru po wintoutf8() a připojte je sem jako přílohu.

[Urso]

Příloha:

• textik.txt (654 bytů)

Dobrý nápad, jsem to udělal a cpe tam hex. A0 znak. Takže jsem to vyřešil takto:

$buff = str_replace(chr(160), " ", $buff, $pocet);

Ale stejně nevím proč to dělá, nemá to logiku. Dávám soubor do přílohy.

[Šangala]

Jste si jistý, že přiložený soubor je $buff bez jakékoliv úpravy (ten co je vrácen přímo z CURL), bo různé diakritické znaky jsou nahrazeny stejnou sekvencí 3bytů.

[urso]

Příloha:

• textik.txt (10803 bytů)

Ten přiložený soubor jsem zkrátil. A opravdu všechny znaky A0 se přepsaly na EF BF BD. Tak ho posílám znovu bez úpravy. Tu tvrdou mezeru (nbsp;) tam chci, proto to str_replace (výměna A0 za mezeru).

[urso]

A ještě jsem prozkoumal win-1250 kódování a tím se mi rozsvítilo. A0 je v kódování win-1250 tvrdá mezera (ovšem v prostém textu). V (X)HTML se dává 6 znaků (&)nbsp; v libovolném kódování. Podle mi zadaných informací by v tom HTML výstupu měla být tvrdá mezera, což jsem předpokládal (&)nbsp; . A to byl chybný předpoklad, bylo tam to A0, což se mi vždy po uložení v prohlížeči změnilo na EF BF BD. Tím tuto problematiku považuji za vyřešenou a děkuji všem zůčastněným za pomoc.

[Šangala]

Ano toto již vypadá normálně to je čisté Windows-1250 kódování.
Takže soubor $buff stačí lehce převést pomocí fce iconv() na utf-8 a je to.
No a pokud tam potřebujete i no-break-space, tak bych to asi upravil na
$buff = str_replace(chr(160), " ", $buff);
před konverzí do utfk-ka.
Ale fce iconv() naprosto normálně i tuto mezeru převádí z windows-1250 do utf-8, takže jak bylo psáno na začátku, kazí to fce wintoutf8, kdoví co vůbec dělá.

[Šangala]

Sorry, špatně jsem zapsal html entitu, oprava:
$buff = str_replace(chr(160), " ", $buff);

[Messa]

K čemu ten str_replace? Chcete tam teda ty nedělitelné mezery, nebo ne?

V příloze je to nějaké zmršené - jsou tam znaky ef bf bd, což bude asi nějaký zástupný symbol.