Preuzimanje sa drugog sajta, Charset problem.

Pozdrav, preuzimam informacije o vremenu sa jednog sajta, DOM+XPath. To je OK, medjutim, na mom sajtu se ne prikazuju naša slova: č,ć,š,č,ž,đ. U čemu li je problem? Na bilo kom delu strane, osim u delu gde se prikazuju podaci o vremenu, prikaz slova funkcioniše-

Potpis

Ivan Djordjevic

Jesu slova sastavni deo toga što parsiraš? Na koji način vraćaš output parsiranog dela i ostatka sajta? Kroz jedan response ili vučeš AJAX-om?

U suštini svodi se na UTF-8 samo je pitanje zašto ga tu nema.

Potpis

Bad programmers worry about the code. Good programmers worry about data
structures and their relationships.

Ako tvoj i drugi sajt nisu u istom kodnom skupu, moraš da rekodiraš tekst u letu. Otvori tu drugu stranu i pogledaj koji je kodni skup, a onda iskoristi iconv() za rekodiranje. Pretpostavljajući da je tvoj sajt u UTF-8, a taj drugi u CP1250:

Potpis

http://sr.libreoffice.org — slobodan kancelarijski paket, obrada teksta, tablice,
prezentacije, legalno bez troškova licenciranja

Ovaj deo koji mi odrađuje celokupan posao, da ne tupim. Kodni raspored je isti na oba sajta, utf-8. Na jednom računaru mi se vidi dobro, a na drugom ne, a u pitanju su 2 verzije Wamp servera, odnosno PHP 5.4 i PHP 5.3.5. Na računaru gde je verzija 5.3.5 se vidi ok, a na drugom ne :(

Potpis

Ivan Djordjevic

Da li neko ima bilo kakvu ideju?

Potpis

Ivan Djordjevic

Prvo, nisi nam rekao da li si poslusao Gorana i isprobao njegovu ideju?

Drugo, sumnjas na to da je problem razlika u PHP verzijama. Ono sto svima uvek pricam je da idu logickim putem i tako resavaju probleme. Ok, PHP verzija 5.4 ne radi nesto sto radi PHP 5.3.5 verzija. Pogledajmo changelog PHP 5.4 verzije. Ono sto sam ja nasao je ovo:



I jos dosta izmena sto se charseta tice. Pogledaj svoj php.ini i pogledaj da tamo nema nekih gresaka. Isto tako baci pogled i na changelog.

Potpis

THE ONLY EASY DAY WAS YESTERDAY

Da li u tom HTML-u kojeg fetch-uješ sigurno postoji head sekcija i onaj tag za definisanje charset-a u njoj?

Ako uopšte nema head sekcije, dodaj je:

A ako je ima, onda samo dodaj taj meta-tag:

To naravno uradi pre nego što kreiraš DOMDocument instancu. Dakle prvo fetch-uj sadržaj te stranice, pa ga onda import-uj sa loadHTML().

Ej, pa napisah da je kodni skup isti na oba sajta.
Nikola, postoji head sekcija sa tagom za definisanje charset-a, pokusao sam to sto si mi rekao, ali ne vredi, opet dobijam isti rezultat.

Potpis

Ivan Djordjevic

A šta dobijaš u $dom->encoding nakon što učitaš taj HTML?

Meni je inače uvek za potrebe raznih web scraping-a koje sam radio prolazilo to postavljanje encoding-a preko meta tag-a. Probaj možda da u head sekciji ostaviš samo taj meta tag za charset, tako što ćeš npr. nekim regexp-om replace-ovati <head>.*</head>, sa <head><meta http-equiv="content-type" content="text/html; charset=utf-8" /></head>, pa onda takav string učitati u DOMDocument.

A ako ni to ne upali, probaj onda da ga zezneš sa ovim hack-om:

U $dom->encoding dobijam utf-8. Isprobao sam, opet isto. Buni me to sto na drugom racunaru, vidim normalno sve karaktere, ali, nema veze.

Potpis

Ivan Djordjevic

Čudno al opet ... nije encoding nešto što se ponaša kako mu dune. Aj da probamo onda drugi pristup - koje su ti razlike između ta dva kompa? U smislu browser-a i OS-a? (mada je bitniji browser al otkud znam - da probamo).

Potpis

Bad programmers worry about the code. Good programmers worry about data
structures and their relationships.