将html源文件到字符串后, 哪些charset会导致乱码?

Question

我要把html的源文件导入到一个字符串中进行解析. 但是有些网页中的charset编码方式会导致转换后的字符串出现乱码(如charset=UTF-8), 不知道有谁统计过,哪些charset会导致乱码出现, 是否只有一个utf-8会出现这种情况?    示例代码如下:
    fn = VBA.FreeFile    strText = VBA.String(VBA.FileLen(strHtmlFileName), " ")
    
    Open strHtmlFileName For Binary As #fn
        Get #fn, , strText
    Close #fn    debug.print strText    '增加vbUnicode支持一样乱码.注:
编译平台: Visual Basic 6.0. 要求兼容win98 and above.
客户: 全球, 不仅仅国内. (所以各种charset、语言都可能遇到)

Answer 1

引用 ADO    Dim oStream As ADODB.Stream
    
    Set oStream = New ADODB.Stream
    
    oStream.Type = adTypeText
    oStream.Charset = "UTF-8"    ' 修改成适当的 Charset
    oStream.Open
    oStream.LoadFromFile strHtmlFileName
    
    Debug.Print oStream.ReadText()

Answer 2

按照 HTML 的规则，读到下面这个标记后就要改用相应的 charset 进行处理码
<meta http-equiv="Content-Type" content="text/html; charset=gb2312">为何不用 Microsoft HTML Object Library?

Answer 3

回1楼: 不能用ado, 打包的时候太大了.

Answer 4

我需要把解析后的内容分类处理后显示给用户, 最终内容要显示在treeview及listview中. 处理charset是必然的

Answer 5

所有UNICODE和当前字符集所对应编码以外的编码都有可能被理解为“乱码”。

Answer 6

一般情况下操作系统都带了 ADO 的，不需要单独安装。
另外还可以选择 Scripting Runtime，这个也是系统自带的。

Answer 7

Microsoft HTML Object Library 自动处理 charset，自动解析为一个树型结构，遍历就可以了。