如何使用preg_replace从远程网站将日语翻译成英语

Question

我正在编写一个PHP脚本，将日式烹饪食谱从日语翻译成英语。这是宠物项目，不一定是完美的。我的策略是..。

1. 使用file_get_contents获取网站内容
2. 用英语代替一些日语(主要是原料名称)
3. 将结果写入HTML文件

我从命令行运行这个PHP脚本：

<?php

    // Get contents of Japanese cooking website
    $url = 'http://recipe.igamono.jp/?eid=1077379';
    $context = stream_context_create(array('http' => array('header' => 'Accept-Charset: UTF-8, *;q=0')));
    $html = file_get_contents($url, false, $context);

    // Replace stuff
    $html = preg_replace('/right/s', 'foobar', $html); // works
    $html = preg_replace('/の/s', 'shazam!!', $html); // doesn't work

    // Write output to a file
    file_put_contents('output.html', $html);

?>

我使用崇高文本编辑文件(translate.php)，并确保使用: file / save with Encoding / UTF-8保存该文件

当我运行脚本时，除了替换の之外，一切都正常工作。の不发生替换。

然而，这个执行的工作：

<?php
    $html = "one の two の";
    $html = preg_replace('/の/s', 'shazam!!', $html);

    file_put_contents('output.html', $html);
?>

产出如下：

一个沙扎姆！！两个沙扎姆！！

有什么建议吗？我知道这是一个字符编码问题，但我似乎无法让它发挥作用。

更新：

下面是一个修改后的版本，它测试$html变量的UTF-8编码：

<?php
    // Get contents of Japanese cooking website
    $url = 'http://recipe.igamono.jp/?eid=1077379';
    $context = stream_context_create(array('http' => array('header' => 'Accept-Charset: UTF-8, *;q=0')));
    $html = file_get_contents($url, FILE_TEXT, $context);

    if(mb_detect_encoding($html, 'UTF-8')) print("Yep, UTF-8 it is.\n");
    if(! mb_detect_encoding($html, 'UTF-8', true)) print("Well, on second thought.. maybe not!\n");

?>

产出如下：

是的，UTF-8是。 再想一想..。也许不会！

我的解决方案

以下是我想出的一个解决方案：

<?php
    // Get contents of Japanese cooking website
    $url = 'http://recipe.igamono.jp/?eid=1077379';
    $html = file_get_contents($url);

    // Convert HTML to UTF-8 from Japanese
    $html = mb_convert_encoding($html, "UTF-8", "EUC-JP");

    // Replace stuff
    $html = preg_replace('/right/s', 'foobar', $html);
    $html = preg_replace('/の/s', 'shazam!!', $html);

    // Convert HTML back to Japanese character encoding
    $html = mb_convert_encoding($html, "EUC-JP", "UTF-8");

    // Write HTML to a file
    file_put_contents('output.html', $html);
?>

Answer 1

建议：

    $html = preg_replace('/[\x{306E}]/u', 'shazam!!', $html);

更新：发现您要加载的页面不是UTF-8，而是EUC。做：

<?php

// Get contents of Japanese cooking website
$url = 'http://recipe.igamono.jp/?eid=1077379';
$context = stream_context_create(array('http' => array('header' => 'Accept-Charset: EUC-JP, *;q=0')));
$html = file_get_contents($url, false, $context);

// Replace stuff
$html = mb_convert_encoding($html, "UTF-8", "EUC-JP");
$html = preg_replace('/right/s', 'foobar', $html); // works
$html = preg_replace('/の/s', 'shazam!!', $html); // doesn't work

// Write output to a file
file_put_contents('output.html', $html);
?>

我得到了“shazam！”

​

​