【请教】perl提取网页TXT时候的乱码问题

kiss2003

为了方便放在PDA上面看小说，我用wget把网页（是新浪读书频道）下载到本机，然后用perl去把其中的正文提取出来。

发现弄出来的txt文档中，有好多乱码（用记事本打开看的时候）。

请教大家怎么才能解决？


附件是我的代码，写的非常乱。真是不好意思了。

flw

你得关心网页的编码才行。

kiss2003

编码都是<meta http-equiv="Content-type" content="text/html; charset=gb2312"/>啊

路小佳

htm2txt还是用 Alvis::Convert吧，自己去解析br p table等东西太麻烦也不一定能做好， 它自带的html2plain.pl十分好用。

路小佳

这个是楼主p0.html转换过的效果(默认选项)

1. 
   
2. 爱问(iAsk.com)
   
3. 新浪读书 | 新浪首页
   
4. 
   
5. 原创首页
   
6. 编辑推荐
   
7. 所有作品
   
8. 点击排行
   
9. 推荐排行
   
10. 最新更新
    
11. 
    
12. 全本作品
    
13. 原创交流
    
14. 
    
15. 博客
    
16. 原创工作室
    
17. 新手帮助
    
18. 
    
19. 作品分类: 都市情感
    
20. 青春校园
    
21. 搞笑无厘头
    
22. 玄幻武侠
    
23. 灵异惊悚
    
24. 科幻推理
    
25. 军事历史
    
26. 纯文学
    
27. 
    
28. 用户名： 密码： 忘记密码
    
29. 
    
30. 热门关键字:
    
31. 
    
32. 按摩师
    
33. 鬼吹灯
    
34. 官场
    
35. 出轨
    
36. 老婆
    
37. 日本
    
38. 都市奖 武侠奖
    
39. 青春奖
    
40. 推理奖
    
41. 
    
42. 原创搜索
    
43. 
    
44. 作品名称
    
45. 作者
    
46. 关键词
    
47. 
    
48. 新浪读书首页 62
    
49. 原创 62
    
50. 奇幻武侠 62
    
51. 上海灵界英雄传奇 62
    
52. 引子
    
53. 
    
54. 文章背景
    
55. 
    
56. 白色
    
57. 黑色
    
58. 浅灰色
    
59. 深灰色
    
60. 灰绿色
    
61. 淡黄色
    
62. 淡蓝色
    
63. 
    
64. 字体
    
65. 
    
66. 宋体
    
67. 楷体
    
68. 黑体
    
69. 
    
70. 文字尺寸
    
71. 
    
72. 12px
    
73. 14px
    
74. 16px
    
75. 18px
    
76. 20px
    
77. 
    
78. 文字颜色
    
79. 
    
80. 黑色
    
81. 白色
    
82. 绿色
    
83. 
    
84. 鼠标双击滚屏 滚屏速度
    
85. 
    
86. 01
    
87. 02
    
88. 03
    
89. 04
    
90. 05
    
91. 06
    
92. 07
    
93. 08
    
94. 09
    
95. 10
    
96. 
    
97. (1最快,10最慢)
    
98. 
    
99. 键盘左右键(← →)上下翻页
    
100. 
     
101. [返回作品目录] [无上一章] [下一章] [发表评论]
     
102. 
     
103. 引子
     
104. 
     
105. 闹钟“玎玲”一下响了，路小路的右手一记鲤鱼打挺跳到枕边。接着是突如其来的刺痛，彻底把路小路从睡梦里拉了出来。“痛死我也。”路小路顾不得淑女姿态，干嚎一声吸吮了右手食指翻身起床，闹钟却是作刺猬状趴在那里，确实是刺猬，全身都是刺。
     
106. “BT的学长，非要我用这种闹钟。”
     
107. “此闹钟可治疗懒觉之症。”周欣的声音仿佛从天边飘来。
     
108. “去死吧。”那只刺猬被路小路一枕头打到角落里，同时打碎了周欣的声音。
     
109. “嘿嘿嘿嘿……”伴随了脑海里这种熟悉的狞笑声，路小路仿佛看到了自己课题项目里将要遇到的麻烦，只好叹口气，对了闹钟比化了个中指，洗刷去了。160
     
110. 160160160
     
111. “报纸上说早餐不能吃了太饱，否则容易心血管系统疾病和肥胖。”周欣翘了二郎腿在实验室里看报纸。
     
112. “呜~。”路小路嘴里塞了半个锅贴，不方便开口。
     
113. “你买了多少锅贴？”周欣放下报纸一脸严肃。
     
114. “不多，一客。”路小路警觉。
     
115. “多了。”周欣以迅雷不及掩耳盗铃之势从桌上一次性饭盒里抢去两只，“我帮你分担些。”
     
116. “你~~~”路小路虽然早有心理准备却没料到她的学长会无耻到直接从她饭碗里抢早点。
     
117. “恩，味道不错，肯定是校门隔壁《一品仙》出的锅贴，我喜欢。”周欣一脸的陶醉，仿佛刚才吃的是他自己买来的一样。“好了，你早点也吃完了，可以开始干活了。这个课题下个月必须结束的，我们要抓紧时间，否则老板要开骂了。”说完周欣往那一坐，开始继续欣赏他的《申城新闻晨报》。
     
118. 路小路：“*#%@……”
     
119. 160160160160
     
120. 二十分钟后。
     
121. “哎，我说小路同学，你暑假干吗不去其他地方打工，跑我们学校实验室啊，每周才这么点钱。现在学生假期打工不是蛮多的么，你看看这个广告，挖靠，每周最高可以给到3000，这是干吗的？”
     
122. 路小路回头读那份已经凑到她面前的报纸，在左下角一个不起眼的角落里登了这样一个小广告：
     
123. 160160160
     
124. “寻志愿者，学生，报酬，每周最高3000，联系EMAIL：XXX@XXX.com”
     
125. 160160160
     
126. “不清楚。”路小路摇摇头，“它只说是找志愿者，也没说是干吗的啊。”
     
127. “恩，不过周薪三千还是狠吸引人的，不是么？志愿者啊，小路同学，你说会不会是什么色情场所，比如陪酒陪聊牛郎舞女之类的？哎呀，它虽然没说清楚，不过好象也不可能在《申报》上公开登广告吧。要么是什么科学实验需要实验品？哎，小路同学，你说我和他们联系一下如何，这里只有电子信箱地址。暑假不是还有1个月了么，我算算，1个月就是四个礼拜，如果真如他们说的每个礼拜给三千的话，四个礼拜就是，三乘四，一万二……”周欣已经完全沉浸到自己的想象世界里，没注意到路小路两分钟前就去了隔壁资料室，此刻实验室里就剩他一个人了。
     
128. 
     
129. [返回作品目录] [无上一章] [下一章] [发表评论]
     
130. 
     
131. 作者的话：我的此部作品已连载完，谢谢你的阅读，请期待我的下一部更精 彩作品。
     
132. 
     
133. 声明：以上作品均由新浪网友自主上传，文责自负，不代表新浪网的观点或立场。如其他媒体、网站或个人从新浪原创转载使用，必须保留新浪原创注明的“作者名称”，并自负版权等法律责任。如擅自篡改为“稿件来源：新浪原创”，新浪网将依法追究其责任。
     
134. 
     
135. 新浪网读书频道网友意见留言板 电话：62675746、62675373
     
136. 欢迎批评指正
     
137. 
     
138. 新浪简介 | About Sina | 用户注册 | 广告服务 | 中文阅读 | RichWin | 产品答疑
     
139. Copyright 169 1996 - 2006 SINA Corporation, All Rights Reserved
     
140. 
     
141. 新浪公司 版权所有
     
142. 北京网通提供网络带宽
     
143. 
     
144. -1 3676 返回目录
     
145. 
     
146. 收藏
     
147. 评论
     
148. 去论坛交流
     
149. 推荐给朋友
     

复制代码

kiss2003

请问，你说的这个Alvis::Convert怎么安装啊？

ppm> search Alvis::Convert
Searching in Active Repositories
No matches for 'Alvis::Convert'; see 'help search'.

路小佳

ppm rep add http://trouchelle.com/ppm/
ppm install http://trouchelle.com/ppm/Alvis-Convert.ppd

kiss2003

谢谢，我试试看。