---

※ 引述《m7m123d ( )》之銘言：
: 在程式裡用pdftotext的方式將PDF檔轉成UTF-8的txt文字檔
: 接著抓出txt裡面的一段文字
: $_str = '生日：066年11月28日';
: $_str = str_replace("生日：", '', $_str);
: $_str = str_replace("年"    , '', $_str);
: $_str = str_replace("月"    , '', $_str);
: $_str = str_replace("日"    , '', $_str);
: echo $_str;
: Output：066年1128
: 我手動複製沒被替換過去的「年」做替換，發現可行，
: google到是字元代碼不相同的問題，這個狀況第一次遇到，
: 想問一下版上大家有哪些經驗，想伸個關鍵字，謝謝。
有這種狀況的字其實不多

Unicode 有一區專門存放這種字: CJK Compatibility Ideographs  U+F900~U+FAFF

http://unicode-table.com/en/sections/cjk-compatibility-ideographs/

http://www.unicode.org/charts/PDF/UF900.pdf

它是用來存放在 Unicode 所參照的來源編碼裡, 一個字被重覆編碼的狀況

這時其中一個會對應到正常的字 (U+4E00~U+9FFF 裡的)

另一個就會對應到這邊來

狀況中的"年"字是 U+F98E, UTF-8 編碼是 EF A6 8E, PHP 可用 "\xEF\xA6\x8E" 表示

(記得用雙引號, 否則 \x 會看不懂;

 當然如果有這種字可複製也可以用複製的, 不過就要寫個註解)

不過由於字不多加上會出現這種字只有很有限的狀況, 碰到了再解就好...

(絕大多數情形下所輸入的字都會先對映到正常的範圍裡

 加上這區裡的字有七成來自韓文編碼

 可以說除非文件曾經經過韓文編碼不然幾乎不會有這種字)

--
LPH  [acronym]
= Let Program Heal us
                        -- New Uncyclopedian Dictionary, Minmei Publishing Co.

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 140.112.30.32
※ 文章網址: http://www.ptt.cc/bbs/PHP/M.1404133119.A.6A0.html