[請益] 只擷取網頁中的中文字

[IsMe1086 (大頭)]

我只想要擷取網頁中的中文字和中文的標點符號

想要把原始網頁檔案的所有標籤去掉

想說用preg_replace() 把所有英文和數字還有特殊符號通通弄掉

$pattern = "[A-Za-z...]" ; //會擺上所有英文和數字還有特殊符號
$html = "...";//放上我要的網頁
$string = file_get_contents($html);

echo preg_replace($pattern,"",$string);

結果跑出部分中文和部分亂碼- -" 那網頁編碼是big5

請問要怎麼改進? 或是有其他比較好的方式嗎?

--

不好意思 功力不夠 連發兩篇

--
※ 發信站: 批踢踢實業坊(ptt.cc) 
◆ From: 124.12.5.191
→ buganini:$pattern寫法不對 PCRE要加delimiter
→ buganini:然後Big5不是ASCII-safe, 第二個byte有的會被刪掉
→ buganini:簡單的方式還是轉成UTF-8處理完再轉回來
→ buganini:或是自己刻一個funtion一個一個byte自己判斷處理
→ IsMe1086:恩pattern是我忘了 我試試看你說的編碼處理
→ IsMe1086:我找到strip_tags()這個function可以用了 只是java scrip
→ IsMe1086:的文字還要自行處理
推 asdd:如果網頁只有單純文字的話 file_get_contents() 應該也可以
推 AizawaYuichi:如果直接讀取html，把<>標籤都拆掉呢？