Charset und HTML-Tags

[Alexander, W.]

Hallo,

ich arbeite an einem Kundenprojekt (Online-Tagebuch), mit ziemlich vielen Einträgen. Das Projekt wurde aus zwei verschiedenen Projekten (ebenfalls Tagebücher) zusammengeschmolzen. Das eine Projekt ist dabei schon ziemlich alt und -glaube- noch aus PHP3 Zeiten. In der Datenbank befinden sich mehrere Beiträge, die unterschiedliche Kodierung haben (UTF-8 usw.). Außerdem beinhalten die Texte HTML-Tags, die zum Teil "zerschossen" sind.

Der Kunde will nun die Beiträge in PDF-Dateien exportieren lassen und zwar mit ca. 200 Beiträgen pro eine PDF-Datei. Beim Exportieren stoße ich auf unzählige Probleme mit Umlauten und mit den HTML-Tags. Einerseits werden also Umlaute falsch dargestellt, andererseits werden Teile des Textes abgeschnitten, wenn irgendwo ein Tag falsch geschlossen ist.

Ich habe die unnötigen Tags mit "strip_tags" gefiltert.

$description = html_entity_decode(strip_tags($description, '<p><u><b><br><strong><font>'));

Leider, wie oben erwähnt schneidet die Funktion Textteile weg.

Dazu habe ich zwei Fragen:

1.) Wie filtere ich die Tags (außer o.g.) ästhetisch raus?

2.) Wie konvertiere ich die Inhalte in ein UTF-8 Format richtig, auch wenn die Ausgangstexte mal UTF-8, mal Westeuropäisch und mal  anderes kodiert sind?

Gruß
Alexander.

[henman]

hallo Alexander,,

Ich habe die unnötigen Tags mit "strip_tags" gefiltert.

$description = html_entity_decode(strip_tags($description, '<p><u><b><br><strong><font>'));

Leider, wie oben erwähnt schneidet die Funktion Textteile weg.

Dazu habe ich zwei Fragen:

1.) Wie filtere ich die Tags (außer o.g.) ästhetisch raus?

hm, wenn das so ist, wirste wohl um nen Regex nicht rumkommen oder alles per Hand rauslöschen

grüße,
henman

[ChrisB]

Hi,

In der Datenbank befinden sich mehrere Beiträge, die unterschiedliche Kodierung haben (UTF-8 usw.).

Und wie wurde da bisher unterschieden, was in welcher Kodierung vorliegt?

Außerdem beinhalten die Texte HTML-Tags, die zum Teil "zerschossen" sind. [...]
1.) Wie filtere ich die Tags (außer o.g.) ästhetisch raus?

Vielleicht erst mal mit HTML Tidy das „zerschossene“ reparieren lassen - danach dürfte es vermutlich leichter sein, gezielt Tags zu entfernen.

2.) Wie konvertiere ich die Inhalte in ein UTF-8 Format richtig, auch wenn die Ausgangstexte mal UTF-8, mal Westeuropäisch und mal  anderes kodiert sind?

iconv, mb_convert_encoding/mb_detect_encoding.

MfG ChrisB