Problemas de codificación al extraer paginas chinas

[jinno2323]

Quiero extraer algún dato de unas páginas extranjeras que contienen caracteres de todo tipo, chinos, rusos, etc. Después quiero guardarlo en la DB de MySQL en UTF-8.

Tengo el siguiente código pero al extraerlo me lo muestra mal. He probado a "jugar" con mb_detect_enconding() pero nada de nada.

Código PHP:

  <?php
$web = "http://www.qq.com"; // Por ejemplo.
$meta_tags = get_meta_tags("$web");
$description_meta_tag = $meta_tags['description'];
echo $description_meta_tag;
?>   

Me muestra esto:

Código PHP:

  ÌÚѶÍø(www.QQ.com)ÊÇÖйúä¯ÀÀÁ¿×î´óµÄÖÐÎÄÃÅ»§ÍøÕ¾£¬ÊÇÌÚѶ¹«Ë¾ÍƳöµÄ¼¯ÐÂÎÅÐÅÏ¢¡¢»¥¶¯ÉçÇø¡¢ÓéÀÖ²úÆ·ºÍ»ù´¡·þÎñΪһÌåµÄ´óÐÍ×ÛºÏÃÅ»§ÍøÕ¾¡£ÌÚѶÍø·þÎñÓÚÈ«Çò»ªÈËÓû§£¬ÖÂÁ¦³ÉΪ×î¾ß´«²¥Á¦ºÍ»¥¶¯ÐÔ£¬È¨Íþ¡¢Ö÷Á÷¡¢Ê±ÉеĻ¥ÁªÍøýÌåƽ̨¡£Í¨¹ýÇ¿´óµÄʵʱÐÂÎźÍÈ«ÃæÉîÈëµÄÐÅÏ¢×ÊѶ·þÎñ£¬ÎªÖйúÊýÒÔÒڼƵĻ¥ÁªÍøÓû§Ìṩ¸»Óд´ÒâµÄÍøÉÏÐÂÉú»î¡£ 
   

Y yo quiero esto:

Código PHP:

  腾讯网(www.QQ.com)是中国浏览量最大的中文门户网站，是腾讯公司推出的集新闻信息、互动社区、娱乐产品和基础服务为一体的大型综合门户网站。腾讯网服务于全球华人用户，致力成为最具传播力和互动性，权威、主流、时尚的互联网媒体平台。通过强大的实时新闻和全面深入的信息资讯服务，为中国数以亿计的互联网用户提供富有创意的网上新生活。 
   

¿Qué puedo hacer para que me valga con las chinas, las rusas, etc?

[abimaelrc]

Debes usar codificación unicode/utf8

[jinno2323]

Iniciado por abimaelrc

Debes usar codificación unicode/utf8

He estado investigando toda la noche y no he conseguido nada. No entiendo lo que me quieres decir, si te refieres a esto no funciona:

Código PHP:

  <?php
 
$codificacion = "UTF-8";
header("Content-Type:text/html; charset=$codificacion");
 
$web = "http://www.qq.com"; // Por ejemplo.
$meta_tags = get_meta_tags("$web");
$description_meta_tag = $meta_tags['description'];
echo $description_meta_tag;
 
?>   

De tanto que he investigado me he encontrado con esto pero no funciona.

1)

Código PHP:

  <?php
 define("UTF_8", 1);
 define("ASCII", 2);
 define("ISO_8859_1", 3);
 function codificacion($texto)
 {
     $c = 0;
     $ascii = true;
     for ($i = 0;$i<strlen($texto);$i++) {
         $byte = ord($texto[$i]);
         if ($c>0) {
             if (($byte>>6) != 0x2) {
                 return ISO_8859_1;
             } else {
                 $c--;
             }
         } elseif ($byte&0x80) {
             $ascii = false;
             if (($byte>>5) == 0x6) {
                 $c = 1;
             } elseif (($byte>>4) == 0xE) {
                 $c = 2;
             } elseif (($byte>>3) == 0x14) {
                 $c = 3;
             } else {
                 return ISO_8859_1;
             }
         }
     }
     return ($ascii) ? ASCII : UTF_8;
 }
 
 function utf8_decode_seguro($texto)
 {
     return (codificacion($texto)==ISO_8859_1) ? $texto : utf8_decode($texto);
 }
 ?>
 
 <?php
 $a="Ascii";
 $b="ISO-8859-1: áéíóú";
 $c=utf8_encode($b);
 echo utf8_decode_seguro($a)."\n";
 echo utf8_decode_seguro($b)."\n";
 echo utf8_decode_seguro($c)."\n";
 ?>   

También, con respecto a mb_detect_encoding he encontrado que alguien ha reportado este bug, ¿puede ser que por eso no funcione?

https://bugs.php.net/bug.php?id=47018

Y hay muchos más si buscas en Google "Bug mb_detect_encoding".

¿Alguien sabe?