PHPで文字化けを解消したいです

Question

前提・実現したいこと

PHPのfile_get_contentsを通じて、指定サイトの
・タイトル
・概要
・画像（OGPなければ最初の画像）
を取得したいです。

発生している問題

該当のソースコードの
$html = file_get_contents( $url );
で文字化けしてしまい、これを解消したいです。

$htmlから最終的に取得される$dataですが、titleとexcerptが文字化けしたままで解消できません。

該当のソースコード

まず何の対策もない状態のソースコードになります。
コメントアウトにございます「文字化け対策その１」と「その２」を試したこととして後述いたします。

<?php
$url = "https://www.gincli.jp/news/index.html"; // 問題なし
$url = "http://affiliate.rakuten.co.jp/trend//?l-id=top_keyword_sonota"; // 文字化けする
var_export( myGet( $url ) );

function myGet( $url ){
    $html = file_get_contents( $url );

	if ($html <> '') {
	    
		/*******************「文字化け対策その１」ここから*/
		
		// この部分に記載するも実現できず
		
		/*ここまで**************************************/
			
		// HEADタグ（METAタグ解析）
		$head = null;
		$tags = null;
		if (preg_match('/<\s*head[^>]*>(.*)<\s*/head\s*>/si', $html, $m)) {
			$head = $m[1];
			$tags = GetMeta($head);
			var_dump($tags);
		}
		
		// タイトル
		if (isset( $tags['og:title'] )	&&	$tags['og:title'] ) {
			$title = $tags['og:title'] ;
		} elseif (isset( $tags['twitter:title'] ) && $tags['twitter:title']	) {
			$title = $tags['twitter:title'] ;
		} elseif (isset( $tags['title'] ) && $tags['title'] ) {
			$title = $tags['title'] ;
		}
		
		// 抜粋文・概要文
		if (isset( $tags['og:description'] ) && $tags['og:description'] ) {
			$excerpt = $tags['og:description'] ;
		} elseif (isset( $tags['twitter:description'] )	&& $tags['twitter:description']	) {
			$excerpt = $tags['twitter:description']	;
		} elseif (isset( $tags['description'] )	&& $tags['description'] ) {
			$excerpt = $tags['description'] ;
		}
		
		// OGPから画像URL取得
		if (isset( $tags['og:image'] ) && $tags['og:image'] ) {
			$thumbnail_url = $tags['og:image'] ;
		} elseif (isset( $tags['twitter:image'] ) && $tags['twitter:image']	) {
			$thumbnail_url = $tags['twitter:image'] ;
		} else {
            $output = preg_match_all('/<img.+src=[\'"]([^\'"]+)[\'"].*>/i', $html, $matches);
            $first_img = $matches [1] [0];		    
			$thumbnail_url = $first_img;
		}
		if ($thumbnail_url && !preg_match('/^https*:///', $thumbnail_url, $m) ) {
			$thumbnail_url = RelToURL($url, $thumbnail_url);
		}

		// サイト名
		if (isset( $tags['og:site_name'] ) && $tags['og:site_name']	) {
			$site_name	=	$tags['og:site_name']	;
		}
		
		// タイトル整形
		if (isset($title)) {
			$str	= $title;
			$str	= strip_tags($str);									// タグの除去
			$str	= str_replace(array("\r", "\n"),	'', $str);		 // 改行削除
			$str	= mb_strimwidth($str, 0, 200, '...');				  // 保管用のタイトルは200文字で切る
			$title	= $str;
		}
		
		// 抜粋文整形
		if (isset($excerpt)) {
			$str	= $excerpt;
			$str	= strip_tags($str);									// タグの除去
			$str	= str_replace(array("\r", "\n"),	'', $str);		 // 改行削除
			$str	= mb_strimwidth($str, 0, 500, '...');				  // 保管用の記事内容は500文字で切る
			$excerpt	= $str;
		}

		/*******************「文字化け対策その２」ここから*?
		
		// この部分に記載するも実現できず
		
		/*ここまで**************************************/
        
		// データセット
		if (isset($data_id) && !is_null($data_id)) {
			$data['id']			= $data_id;
		}
		if (isset($url_key) && !is_null($url_key)) {
			$data['url_key']	= $url_key;
		}
		$data['site_name']		=	$site_name     ?? 'error';
		$data['title']			=	$title         ?? 'error';
		$data['excerpt']		=	$excerpt       ?? 'error';
		$data['charset']		=	$charset       ?? 'error';
		$data['thumbnail_url']  =   $thumbnail_url ?? 'error';
	}
    
    return $data;
}

// TITLEとMETAタグを分解
function GetMeta( $html, $tags = null, $clear = false ) {
	if ($clear == true || !isset($tags)) {
		$tags = null;
		$tags = array('none' => 'none');
	}
	
	// TITLEタグ
	if (preg_match('/<\s*title\s*[^>]*>\s*([^<]*)\s*<\s*/title\s*[^>]*>/si', $html, $m)) {
		//$tags['title'] = esc_html($m[1]);
		$tags['title'] = $m[1];
	}
	
	// metaタグ パース
	$match = null;
	preg_match_all('/<\s*meta\s(?=[^>]*?\b(?:name|property)\s*=\s*(?|"\s*([^"]*?)\s*"|\'\s*([^\']*?)\s*\'|([^"\'>]*?)(?=\s*/?\s*>|\s\w+\s*=)))[^>]*?\bcontent\s*=\s*(?|"\s*([^"]*?)\s*"|\'\s*([^\']*?)\s*\'|([^"\'>]*?)(?=\s*/?\s*>|\s\w+\s*=))[^>]*>/is', $html, $match);
	if (isset($match) && is_array($match) && count($match) == 3 && count($match[1]) > 0) {
		foreach ($match[1] as &$m) {
			$m	= strtolower($m);
		}
		unset($m);
		$tags += array_combine($match[1], $match[2]);
	}
	
	// linkタグ パース
	$match = null;
	preg_match_all('/<\s*link\s(?=[^>]*?\brel\s*=\s*(?|"\s*([^"]*?)\s*"|\'\s*([^\']*?)\s*\'|([^"\'>]*?)(?=\s*/?\s*>|\s\w+\s*=)))[^>]*?\bhref\s*=\s*(?|"\s*([^"]*?)\s*"|\'\s*([^\']*?)\s*\'|([^"\'>]*?)(?=\s*/?\s*>|\s\w+\s*=))[^>]*>/is', $html, $match);
	if (isset($match) && is_array($match) && count($match) == 3 && count($match[1]) > 0) {
		foreach ($match[1] as &$m) {
			$m	= strtolower($m);
		}
		unset($m);
		$tags += array_combine($match[1], $match[2]);
	}
	
	return $tags;
}

// 相対パスをURLにする
function RelToURL( $base_url = '', $rel_path = '' ) {
	if (preg_match('/^https?\:///', $rel_path ) ) {	// 絶対パスだった場合
		return	$rel_path;
	} elseif (substr($rel_path, 0, 2) == '//' ) {       // 絶対パスだった場合（スキーム省略）
		return	$rel_path;
	}
	$parse = parse_url($base_url );
	if (substr($rel_path, 0, 1) == '/' ) {              // ドキュメントルート指定
		return	$parse['scheme'].'://'.$parse ['host'].$rel_path;
	}
	return $parse['scheme'].'://'.$parse['host'].dirname($parse['path'] ).'/'.$rel_path;
}

試したこと

まずは$html全体を対象に「文字化け対策その１」を試みましたのが次のコードです。
これを上記コメントアウト部分に、次のように記載致しましたが実現できませんでした。

		/*******************「文字化け対策その１」ここから*/
		
		$charset = null;
		$detects = array('UTF-8','SJIS','EUC-JP','eucJP-win','ASCII','JIS','SJIS-win');
		if (preg_match('/charset\s*=\s*"*([^>/\s"]*).*</head/si', $html, $m)) {
			$m[1] = trim(trim($m[1]), '\'\"');
			$charset = $m[1];
		} else {
			foreach( $detects as $c_charset) {
				// 文字コード変換してみて内容が変わらないものを文字セットと判断する
				if (mb_convert_encoding($html, $charset, $c_charset) == $html) {
					$charset = $c_charset;
					break;
				}
			}
		}
		if (is_null($charset)) {
			$charset = mb_detect_encoding($html, 'ASCII,JIS,UTF-7,EUC-JP,SJIS,UTF-8');
			$html = mb_convert_encoding($html, $charset, 'ASCII,JIS,UTF-7,EUC-JP,SJIS,UTF-8');
		} elseif ($charset <> $charset) {
			$html = mb_convert_encoding($html, $charset, $charset);
		}

		/*ここまで**************************************/

そして$html全体でなく、とりあえず$titleだけではどうかと思い試したのが下記「文字化け対策その２」になりますがこちらも実現できず、やむなく質問させて頂きました。

		/*******************「文字化け対策その２」ここから*/
		
		$title_check = utf8_decode($title);
		if(mb_detect_encoding($title_check) == 'UTF-8'){
			$title = $title_check; // 文字化け解消
		}
		// UTF-8以外の文字コードが渡ってきてた場合、UTF-8に変換する
		if(mb_detect_encoding($title) != 'UTF-8'){
			$title = mb_convert_encoding($title, 'UTF-8', mb_detect_encoding($title, $detects, true));
		}
		
		/*ここまで**************************************/

titleとexcerptの文字化けについて、解消方法がわかる方がもしいらっしゃいましたらご教示頂きたく存じます。
また、その他コードの手落ちなどお目につく点ございましたら併せてご指導よろしくお願い致します。

Answer 1

https://teratail.com/questions/205105

Comments

[HARDTHINGS]

せっかくですが…、恐れいりますが意図がつかめませんでした。

リンク先にございますような変換はmb_convert_encodingで試みておりますので、もしその使い方の不備をご認識でしたら、もう少々具体的にご指摘頂けましたら幸いです。

尚、特に質問の試みをご覧にならずリンクを貼っただけということであれば特にご返答は結構ですのでどうぞお気になさらず。

[m.ts10806]

自作するよりPHPの機能で解析した方が確実と言う意図かと思います。
https://www.php.net/manual/ja/domdocument.loadhtml.php