HTMLの文字コードがGB2312（中国語）より部分的に日本語コンテンツのPHPで扱う問題点と解決方法

html
html
php

背景：HTMLソースの文字コード：gb2312（中国語）より部分的に日本語コンテンツもあります

  • 文字コード：gb2312が中国の簡体漢字
  • HTMLソースの文字コード：gb2312であり、正常日本語のコンテンツを扱ることができます
    HTMLソースの文字コードはGB2312より日本語のコンテンツもあり
  • ブラウザの上では中国語と日本語の表示が正しく行っています

問題点：PHPでgb2312文字コードのソースをDOMDocumentで扱うときに日本語が正しく表示されていない

  • PHPのDOMDocumentでgb2312のhtmlソースを読み込んで、出力すると、一部分の日本語が欠けていて、正しく表示されませんでした。 
    $doc = new DOMDocument();
$doc->loadHTML([gb2312のHTMLソース]);  // HTMLソースの読み込む
echo $doc->saveHTML();  // 日本語文字列に一部分が欠けて、正しく表示されていないことがある
    • 一部分の日本語文字が表示されない
    • 文字化け現象は見られないです
  • PHPのバージョン：5.6

原因：PHPのマルチバイト文字列（mbstring）がgb2312をサポートしていないです

  • PHPのマルチバイト文字サポート一覧を調べてみたら、gb2312が入っていません
  • PHPの中国語文字をサポートしている文字コードは：GB18030（PHP5.4以降）
  • GB18030はGB2312から拡張された文字コードです（拡張された文字コードはGBKもあります）

解決：GB2312のソースをGBK/GB18030に変換しします

  • GB2312のHTMLソースを直接にGBK/GB18030に変換します 
    $str = preg_replace('/gb2312/', 'GB18030', [gb2312のHTMLソード]);  // ヘッダーのcharsetをGB18030への変換
$str = mb_convert_encoding( $str,  'GB18030' );   // HTMLソースをGB18030に変換
$doc = new DOMDocument();
$doc->loadHTML( $str );    
echo $doc->saveHTML();   // 正常に日本語が表示され
  • 変換後のソースに扱った日本語が正しく表示されます