PHPCMS采集标题乱码别犯愁 亲测有效的修复技巧全汇总

老粉都知道我前两年靠做地方资讯站混饭吃，那会PHPCMS就是我吃饭的家伙，天天拿它采集各个平台的本地新闻，要说最头疼的事，那必须是phpcms采集标题乱码修复技巧搜了八百遍，还是经常踩坑，抓过来的标题要么是一堆看不懂的鬼画符，要么是满屏的问号，像刚从异次元传过来的加密电报，给我整的头都大了，客户天天追着我骂，说你这网站是不是被外星人黑了，我那段时间熬的夜比我过去三年熬的都多，头发掉的比我家猫换季掉的毛还凶。

先搞懂乱码这崽子是咋蹦出来的

很多人一遇到乱码就急着搜phpcms采集标题乱码修复技巧，连啥原因导致的都不知道，这不就像你发烧了直接吃退烧药，都不知道是着凉还是病毒感染嘛，咱得先找根因，解决起来才能事半功倍。

• 首先就是编码不兼容，这玩意就像你跟东北大哥说粤语，跟广东靓仔说东北话，两边谁都听不懂，可不就输出一堆乱码嘛，你自己的站是UTF-8，采集的目标站是GBK，两边编码对不上，存到数据库里可不就成了鬼画符。
• 第二个就是采集规则漏了过滤，就像你拿个漏勺捞汤圆，馅都漏出去了，剩下的全是糊糊，很多目标站标题里加了奇奇怪怪的特殊符号、emoji、甚至是反爬的隐形字符，你没提前过滤掉，PHPCMS识别不了，自然就变成乱码了。
• 第三个就是PHPCMS本身的老bug，毕竟这玩意都快十年没更新了，就像老房子的水管，用久了总堵，自带的采集类用的是原生substr截取字符串，中文是多字节字符，一刀劈下去把一个字劈成两半，可不就变成没人看得懂的乱码了。

亲测好使的phpcms采集标题乱码修复技巧

我前前后后踩了快半年的坑，把能试的phpcms采集标题乱码修复技巧都试了个遍，总结出来这三个招，只要不是目标站故意反爬给你返回垃圾内容，基本都能搞定，亲测有效，我现在的站采集基本没出过乱码。

第一招：先给全站做个编码统一体检

这是最基础也是最容易被忽略的一步，很多人乱码查了半天，结果发现自己后台编码是GBK，前台是UTF-8，数据库又是另一个编码，这不乱码才怪。首先你得确认全站所有环节的编码完全统一，优先推荐都用UTF-8，通用性最强。

怎么查？先看配置文件caches/configs/system.php里的charset参数，是不是和你前台页面的meta charset一致，再去数据库里看你存文章的v9_news表的编码，是不是也是对应的UTF-8。要是采集的目标站编码和你站不一样，你就得在采集规则里加个转码的回调，相当于给两边配个翻译官。

代码也给你们准备好了，直接复制粘贴到采集规则的标题处理函数里就行： ``` mb_convert_encoding($title, '你的站点编码', '目标站点编码') ``` 举个例子，你站是UTF-8，目标站是GBK，就写成```mb_convert_encoding($title, 'UTF-8', 'GBK')```，这一步搞定，90%的编码不兼容导致的乱码直接就没了。

第二招：给采集规则加个乱码过滤网

编码统一了还有乱码？那大概率是目标站的标题里带了乱七八糟的特殊字符，比如啥 emoji、隐形控制符、甚至是反爬用的乱码干扰字符，这些玩意PHPCMS识别不了，存进去自然就是乱码，就像你点奶茶加了一堆你不吃的料，得提前挑出去。

直接在标题的处理规则里加个正则过滤，把没用的特殊字符全干掉，代码给你们整好了，UTF-8编码的站直接用： ``` preg_replace('/[^\x{4e00}-\x{9fa5}a-zA-Z0-9，。！？：；“”‘’\s]/u', '', $title) ``` 这玩意就像个安检门，除了中文、英文、数字、常用标点和空格，其他乱七八糟的玩意全给你拦在外面，啥emoji、隐形字符全给你薅的干干净净，自然就不会出乱码了。

第三招：给PHPCMS内核打个补丁预防针

上面两招都用了还有乱码？那就是PHPCMS本身的老bug犯了，老版本的PHPCMS采集的时候截取标题用的是substr函数，这玩意不认多字节的中文，比如一个中文占3个字节，它咔嚓一刀给你劈成1个字节和2个字节，那剩下的半个字可不就变成乱码了嘛，就像你说话说到一半被人捂了嘴，说出来的话谁能听懂。

改起来也简单，找到phpcms/modules/collection/collection.class.php这个文件，搜里面的substr函数，全部换成mb_substr函数，并且一定要加上编码参数，比如原来截取80个字符的代码是substr($title,0,80)，你就换成```mb_substr($title, 0, 80, 'UTF-8')```，这样它就会按字符数截取，不会把一个中文劈成两半，乱码自然就没了。

这些坑我都替你们踩过了，别再往里跳

我当年找phpcms采集标题乱码修复技巧的时候，踩过好多傻逼坑，给你们列出来，省的你们再走弯路。

• 第一个坑：别随便改数据库编码，改之前一定要备份！我上次手贱没备份，直接把数据库编码改了，结果全站之前的内容全变成乱码了，恢复了3个多小时，烟都抽了半包，差点给我整猝死。
• 第二个坑：别啥站都乱采，有些站做了反爬，返回的内容是gzip压缩过的，你没解压直接存，可不就是乱码嘛，这种情况你要在采集规则里先加个gzip解压的处理，别上来就怪phpcms不好使。
• 第三个坑：别偷懒，采集完了一定要批量检查一遍前10条的标题，我之前有次采集完没检查，首页挂了个乱码标题挂了3天，被同行截图发群里笑了我半个月，脸都丢尽了。

其实吧，咱搞站的遇到点问题太正常了，乱码这玩意就像你上班路上遇到的红灯，躲是躲不过去的，但是你找对方法，总能过去。我这堆phpcms采集标题乱码修复技巧都是我实打实踩坑踩出来的，照着弄，基本都能搞定，不用再去网上搜那些乱七八糟的过时教程。

最后说句掏心窝子的，咱搞钱重要，头发也重要，把这些技巧存好，以后遇到乱码直接拿出来用，不用熬大夜查资料，头发保住了，搞钱的劲不就更足了嘛，你说对吧？