mb_convert_encoding

帰ってきたよ！朝の５時だよ！
白木屋はトリュフチョコのアイスクリームが 99 円と安くておいしいのでオススメ！
「しらきや」じゃなくて「しろきや」って読むらしいよ！

居酒屋『居楽屋 白木屋』 -モンテローザ

はい。と言うわけでね。

$string が EUC の "連邦" だった場合。UTF-8 だと勘違いするようです。
mb_detect_encoding() で確認してみました。

ソース

echo "あいうえお : " . mb_detect_encoding( "あいうえお" ) . "<br />\n";
echo "連邦 : " . mb_detect_encoding( "連邦" ) . "<br />\n";
echo "腹 : " . mb_detect_encoding( "腹" ) . "<br />\n";

結果

あいうえお : EUC-JP
連邦 : UTF-8
腹 : UTF-8

勘違いしてますねー。

さて、これを解決するためにはどうしたらいいか。と。

場合によるっちゅうねん。

僕の場合、 get_title() っていう関数を作ってて
引数に URL を渡すとそのページのタイトルを返すっていう関数なんですけどね。

ソース

echo get_title( "http://yahoo.co.jp/" );

結果

Yahoo! JAPAN

こんな感じに使う訳ですよ。

この場合 get_title() の中で取得したタイトルを EUC に変換しようとすると・・・

ソース

function get_title( $url )
{
// URL で指定されたページの HTML 文字列を取得する
$page = open_page( $url );

// HTML の中から に囲まれたタイトルを取得する
$title = get_title_in_page( $page );

// タイトルを EUC に変換する ( 元のエンコーディングは分からない )
// $title が "連邦" だった場合間違って変換されちゃうよ！
$title = mb_convert_encoding( $title, "euc-jp", "auto" );
}

ということになってしまう訳です。

そこで。最後の部分をこんな風に変更します。

ソース

$title = mb_convert_encoding( $title, "euc-jp", mb_detect_encoding( $page ) );

エンコーディングの自動検出をタイトルからだけするんじゃなくて。
ページの HTML 全体から検出することによって、より結果が確実になる。という訳なんですよ。

もっといい方法があるかもしれないですが、今回はこんな風に対策してみました。

掲示板なんかで POST された文字列を変換する場合はまた方法が違ってきますね。

このへんも参考に。
BugTrack/296 - PukiWiki

PHP 4.2.3