Conversión de caracteres especiales de Microsoft Word con PHP

Question

Estoy tratando de convertir texto de Word pegado por usuarios que contienen puntos suspensivos de MS Word y guiones largos antes de procesarlo más.

Encontré una vieja solución propuesta aquí para el problema http://www.codingforums.com/archive/index.php/t-47163.html, pero no funciona para mí. Después de reemplazar las elipsis, por ejemplo, la variable vuelve como vacía. Nunca antes visto algo como esto:

$src = "Long word dash – and weird Word ellipsis…"; 
$src = str_replace("‘", "'", $src); 
$src = str_replace("’", "'", $src); 
$src = str_replace("”", '"', $src); 
$src = str_replace("“", '"', $src); 
$src = str_replace("–", "-", $src); 
$src = str_replace("…", "...", $src); 
print $src; 

¿Alguna idea?

Answer 1

Para alguien que recibe el signo de interrogación de diamantes en PHP, este método de sustitución de caracteres UTF-8 funcionó mejor que usar la función Chr.

$search = [     // www.fileformat.info/info/unicode/<NUM>/ <NUM> = 2018 
       "\xC2\xAB",  // « (U+00AB) in UTF-8 
       "\xC2\xBB",  // » (U+00BB) in UTF-8 
       "\xE2\x80\x98", // ‘ (U+2018) in UTF-8 
       "\xE2\x80\x99", // ’ (U+2019) in UTF-8 
       "\xE2\x80\x9A", // ‚ (U+201A) in UTF-8 
       "\xE2\x80\x9B", // ‛ (U+201B) in UTF-8 
       "\xE2\x80\x9C", // “ (U+201C) in UTF-8 
       "\xE2\x80\x9D", // ” (U+201D) in UTF-8 
       "\xE2\x80\x9E", // „ (U+201E) in UTF-8 
       "\xE2\x80\x9F", // ‟ (U+201F) in UTF-8 
       "\xE2\x80\xB9", // ‹ (U+2039) in UTF-8 
       "\xE2\x80\xBA", // › (U+203A) in UTF-8 
       "\xE2\x80\x93", // – (U+2013) in UTF-8 
       "\xE2\x80\x94", // — (U+2014) in UTF-8 
       "\xE2\x80\xA6" // … (U+2026) in UTF-8 
    ]; 

    $replacements = [ 
       "<<", 
       ">>", 
       "'", 
       "'", 
       "'", 
       "'", 
       '"', 
       '"', 
       '"', 
       '"', 
       "<", 
       ">", 
       "-", 
       "-", 
       "..." 
    ]; 

    str_replace($search, $replacements, $string); 

Answer 2

Hmm. Utilizo esta función para desinfectar el texto copiado en un RTE. Puede o no funcionar en este caso. Convierte a entidades HTML, pero puede modificarlo para convertir a caracteres normales:

function convertFromCP1252($string) 
{ 
    $search = array('&', 
        '<', 
        '>', 
        '"', 
        chr(212), 
        chr(213), 
        chr(210), 
        chr(211), 
        chr(209), 
        chr(208), 
        chr(201), 
        chr(145), 
        chr(146), 
        chr(147), 
        chr(148), 
        chr(151), 
        chr(150), 
        chr(133), 
        chr(194) 
       ); 

    $replace = array( '&amp;', 
         '&lt;', 
         '&gt;', 
         '&quot;', 
         '&#8216;', 
         '&#8217;', 
         '&#8220;', 
         '&#8221;', 
         '&#8211;', 
         '&#8212;', 
         '&#8230;', 
         '&#8216;', 
         '&#8217;', 
         '&#8220;', 
         '&#8221;', 
         '&#8211;', 
         '&#8212;', 
         '&#8230;', 
         '' 
        ); 

    return str_replace($search, $replace, $string); 
} 

Answer 3

Gran solución. Lo copié y pegué y funcionó sin problema. En un estudio posterior, agregué algunos caracteres que no estaban en la matriz de búsqueda y reemplazo. Con el fin de encontrar los números de identificación de caracteres ASCII, escribí una función PHP que muestra lo que el número de caracteres ASCII es:

function stdump($s){ 

    for($i=0;$i<strlen($s);$i++){ 

    echo substr($s,$i,1) . "(" . ord(substr($s,$i,1)) . ")"; 

    } 

    echo "<br/>"; 
} 

El personaje es pantalla y junto a ella el número ascıı se muestran entre paréntesis. De esta manera:

echo stdump ("GPUs ...");

produce:

G (71) P (80) U (85) s (115) A (226) € (128) | (166)

Hope esto ayuda.

--Keith