DIV CSS 佈局教程網

遠端頁面抓取出現亂碼怎麼辦?gb2312 編碼的實用解法
編輯:AJAX基礎知識     

平常碰到的網頁大多是 gb2312 編碼,用 xmlhttp 去讀幾乎必然亂碼。若要把所有來源檔都改成 utf-8,工程量太大也不現實。反覆嘗試與比對之後,我找到一套相對實用的解法。

思路:兩個瀏覽器,兩種對策

Firefox 提供了 overrideMimeType,可以直接指定回應的編碼,只要指向 gb2312 就能正常顯示。IE 沒有這個方法,得靠 VBScript 幫忙做編碼轉換:把接收到的二進位資料(responseBody)丟給一個 gb2utf8 函式處理,並用 execScript 來呼叫 VBS 的函式。

因此程式的判斷點是 window.Event:存在就走 Firefox 路徑,否則視為 IE。

完整程式碼

<body></body>
<script>
loadPage("index.htm")

function loadPage(url) {
    var xh = window.Event ? new XMLHttpRequest() : new ActiveXObject("Microsoft.XMLHTTP")
    xh.open("GET", url, true)

    if (window.Event)
        xh.overrideMimeType("text/xml;charset=gb2312")

    xh.onreadystatechange = function () {
        if (xh.readyState != 4) return
        var v
        v = window.Event ? xh.responseText : window.gb2utf8(xh.responseBody)
        alert(v)
    }

    window.gb2utf8 = function (data) {
        var glbEncode = [], t, i, j, len
        gb2utf8_data = data
        execScript("gb2utf8_data = MidB(gb2utf8_data, 1) + ' '", "vbscript")
        t = escape(gb2utf8_data).replace(/%u/g, "").replace(/(.{2})(.{2})/g, "%$2%$1").replace(/%([A-Z].)%(.{2})/g, "@$1$2")
        t = t.split("@")
        i = 0
        len = t.length
        while (++i < len) {
            j = t[i].substring(0, 4)
            if (!glbEncode[j]) {
                gb2utf8_char = eval("0x" + j)
                execScript("gb2utf8_char = Chr(gb2utf8_char)", "vbscript")
                glbEncode[j] = escape(gb2utf8_char).substring(1, 6)
            }
            t[i] = glbEncode[j] + t[i].substring(4)
        }
        gb2utf8_data = gb2utf8_char = null
        return unescape(t.join("%")).slice(0, -1)
    }

    xh.send(null)
}
</script>

這個做法的原理與代價

IE 端的核心在於 responseBody 取得的是原始位元組,而 VBScript 的 MidB 與 Chr 能逐位元組操作,因此得以把 gb2312 的雙位元組序列還原成 Unicode 字元。程式中用 glbEncode 陣列快取已轉換過的字元,避免重複呼叫 execScript——這一步很重要,因為 execScript 的呼叫成本不低。

代價也很明顯:這套方案綁死了 IE 與 VBScript,在非 Windows 環境完全無法運作;而 Firefox 那一支則依賴 overrideMimeType,這是 Mozilla 的私有擴充。若要在今天重新實作,更通用的做法是伺服器端先做一次編碼轉換(例如以 iconv 輸出 utf-8),或是以 TextDecoder 搭配適當的 charset 解碼——现代瀏覽器已內建此能力,不必再繞 VBScript 這一圈。

XML學習教程| jQuery入門知識| AJAX入門| Dreamweaver教程| Fireworks入門知識| SEO技巧| SEO優化集錦|
Copyright © DIV+CSS佈局教程網 All Rights Reserved