Eu escrevo um url2src.js para converter um arquivo html em outro arquivo html em que todos os javascripts são processados.
Descobri que, se houver algumas palavras UTF-8 (como -), o resultado não está correto.
Eu uso a versão chinesa do Windows 8.1. e execute este comando no Windows cmd:
d:\epub\components>phantomjs --output-encoding=utf8 --script-encoding=utf8 url2src.js activities2.html activities2-processed.html
d:\epub\components>phantomjs --version
1.9.7
O conteúdo do url2src.js é:
var page = require('webpage').create(),
system = require('system'),
t, address, output;
if (system.args.length !== 3) {
console.log('Usage: url2src.js <some URL> <output File path>');
phantom.exit();
}
t = Date.now();
address = system.args[1];
output = system.args[2];
page.open(address, function (status) {
if (status !== 'success') {
console.log('FAIL to load the address : ' + address);
} else {
t = Date.now() - t;
//console.log('Loading time ' + t + ' ms');
var js = page.evaluate(function () {
return document;
});
//console.log(js.all[0].outerHTML);
var fs = require('fs');
try {
fs.write(output, js.all[0].outerHTML, 'w');
} catch(e) {
console.log(e);
}
}
phantom.exit();
});
Mais informações detalhadas estão no anexo aqui:
https://groups.google.com/forum/#!topic/phantomjs/oqvK8mkk6aY
Qualquer ajuda é apreciada.
Eu sei o motivo agora, porque o documento html de entrada foi tratado como ISO-8859-1 como padrão.
Adicionar meta para definir charset = utf-8 pode resolver este problema.
<html>
<head>
<meta http-equiv="content-type" content="text/html; charset=UTF-8">
</head>
<body>
<p> The user interface for an activity is provided by a hierarchy of views—objects derived from the <code>View</code> class. </p>
</body>
</html>
Você tem razão.No entanto, não posso mudar o html que outras pessoas me passam.Como fazer?
Eu tenho alguns documentos que não têm nenhuma informação de cabeçalho (estou obtendo-os de aplicativos de terceiros) ... uma forma de forçar a codificação seria bom.
Comentários muito úteis
Eu sei o motivo agora, porque o documento html de entrada foi tratado como ISO-8859-1 como padrão.
Adicionar meta para definir charset = utf-8 pode resolver este problema.