PhantomJS 将字符变成坏数据

Question

我正在phantomjs中运行一个js文件

var settings = {mode: 'w', charset: 'UTF-8'};
page.open(path, settings, function (status) {
    if (status !== "success") {
        console.log("Unable to access network");
    } else {
        page.evaluate(function() {
            window.console.log = function(msg) { alert(msg) }; 
            var $p = document.querySelectorAll('.my-class')[0];
            var html = $p.innerHTML;
            return html;
        });
    }
});

数据看起来像

<div class="my-class">Power, speed, style —&nbsp;James Bond’s 10&nbsp;greatest drives</div>

但是从 phantomJS 返回的 html 是

Power, speed, style ΓÇö James BondΓÇÖs 10 greatest drives

我的页面有

<meta http-equiv="content-type" content="text/html; charset=UTF-8" />

在头脑中。

Answer 1

尝试

encoding

参数。如果

UTF8

不起作用，请尝试

UTF-8

。

var settings = {mode: 'w', charset: 'UTF-8', encoding: 'UTF8'};

Answer 2

&

是phantomJS中的运算符吗？

将这些排列起来：

style — James Bond’s 10 greatest
   style ΓÇö James BondΓÇÖs 10 greatest

我认为“emdash”（

—

）和引用（

’

）是恶棍，而不是

 

。 nbsp = 不间断空格，将其视为空格，但可以防止换行。

结论：phantomJS 中无法正确识别 UTF-8 字符。

ΓÇÖ

是十六进制

CE93C387C396

（假设采用 utf8 编码），但是该十六进制不会映射到任何可识别的内容。 （我之所以选择这条路径，是因为一个常见的问题是编码被误解，从而导致损坏。）此外，由于

ΓÇÖ

是希腊语和拉丁语的混合体，因此无法在 UTF- 以外的单个字符集中正确解释它8.

“数据”从哪里来？也许损坏发生在 phantomJS 之前。

Answer 3

<meta/>

标记，如下所示：

<meta http-equiv="content-type" content="text/html"; charset="UTF-8">
<div class="my-class">Power, speed, style —&nbsp;James Bond’s 10&nbsp;greatest drives</div>

Answer 4

我正在使用 phantomJs 的 rasterize.js 示例将 html 语句转换为 pdf。然而，一些 unicode 字符被渲染为垃圾。请参阅快照 1，其中印度货币符号（区域设置：'en-IN'，货币：INR）渲染不正确。

添加 @tic 建议的元标记（到 head 标记）后，pdf 开始按预期显示字符。

请注意，meta 标签在 Chrome 中是可选的，这意味着即使没有 meta 标签，我也可以在浏览器中直接浏览 html 页面时看到符号。问题是渲染为 pdf/png 时。

<meta http-equiv="content-type" content="text/html; charset=UTF-8">

之前：（货币符号混乱）

之后：（正确的货币符号）