我在处理html源代码时遇到了一个非常奇怪的编码问题。 我得到以下一行：
“requêteprésentéepar......”
当extern库执行utf8_decode时，我得到了：
“reque ^teprésente'epar ...”
所以重音符号放在重音符号上。如果我从那个结果中做了一个utf8_encode，我就不会得到原来的“requêteprésentéepar......”但是我仍然保持“reque ^teprésente'epar ...”
更奇怪的是：如果我在Notepad ++中打开原始html，编码是没有BOM的utf8（到目前为止，那么好），但我实际上可以通过文本选择（键盘或鼠标）选择一半的字符。是的，一半。好像真正的代码是“e ^”但它显示为“ê”。当我尝试将其复制到我的IDE时，它会复制“ê”但粘贴“e ^”。
我想出了一个基本的替换功能：
“e ^”=＆gt; “E”， “e'”=＆gt; “E” ...
以及其他一些法国案例，它现在正常运作。 但由于HTML有不同的语言，我很确定在这个编码问题下我无法成功替换每个字符。
之前是否有人面对此问题并且（希望）有更一般的解决方案？
提前致谢。
答案 0 :(得分：1)
听起来您的HTML源正在使用Combining characters。也就是说，不是使用单个unicode字符来表示ê，而是首先使用常规e，然后使用组合字符来添加变音符^。您可以使用十六进制编辑器验证这一点以查看字符代码，在这种情况下，组合的circumflex是十六进制代码0302。