iconv错误Detected an illegal character in input string问题解决

02/02/2013

在几天Kaijia还在改进@HFLS2012，新功能希望将旧版校网的数据整合到搜索中，在抓取旧版校网信息时遇到了一个问题。由于旧版校园网离现在已经10年多了，当时写的时候编码还是GB2312，但@HFLS2012编码是UTF-8所以需要将抓取到的内容转换为UTF-8字集。这个采集脚本是用php写的，在转换时Kaijia使用的是iconv函数，代码是：

程序写完后就去睡觉让它采集了，起来后发现遇到了很多PHP Notice错误“iconv(): Detected an illegal character in input string”，根据输出的日志回查发现报错的文章都没有采集完成，很多都在某个生僻字上中断。于是查询了一些资料，发现问题处在GB2312子集上，以下引用维基百科的解释：

由于GB 2312-80只收录6763个汉字，有不少汉字，如部分在GB 2312-80推出以后才简化的汉字（如“啰”），部分人名用字（如中国前总理朱镕基的“镕”字），台湾及香港使用的繁体字，日语及朝鲜语汉字等，并未有收录在内。

因此当原文中出现不包含在这“6763个汉字”中的字时iconv函数是无法解析的，于是出现了报错问题，按此思路，解决方法就是将代码中的GB2312解析改成GBK解析，代码改成了：

由于GBK向下完全兼容GB2312-80编码。支持GB2312-80编码不支持的部分中文姓，中文繁体，日文假名，还包括希腊字母以及俄语字母等字母，因此在重新运行程序后iconv报错就基本消失了，但仍然出现了几个错误，目测仍然是类似的问题，遇到这种情况再向上升级编码即可，由于GB18030编码基本兼容GBK编码，又扩充了百余个词，因此将代码改成：

即可解决问题，当然由于编码集转换出错原因有很多，这里也无法概括完整情况，Gentle的文章《iconv函数提示错误，解决办法整理》类出了其他多种解决方案可供参考。