船说 CMS 采集内容乱码如何处理

学完这篇，你能自己判断船说 CMS 采集回来的内容是哪种乱码，并把它改回正常显示，不用再一条条手工重录。

采集乱码几乎都是编码不一致造成的，但同样是乱码，原因完全不同，先分类再动手，能少走很多弯路。

第一步：看乱码长什么样，确定病因

这一步要做的，是把乱码截图或复制一段出来，对照下面四种典型形态，确定属于哪一种。判断准了，后面才有针对性地改。

• 变成一堆 ??? 或 ？？？：数据在转成目标库字符集时被丢弃了。通常是数据库或表不是 utf8mb4，或者 PHP 连接数据库时没指定 utf8mb4。
• 变成 锟斤拷：UTF-8 的内容被当成 GBK 处理（或反过来），这是最经典的一种。
• 变成 ä½ å¥½ 这种带重音符号的字母：UTF-8 内容被当成 latin1 存取，属于“双重编码”。
• 变成方块、问号混杂，或者夹杂大量不可见字符：多半是源站开了 gzip 压缩，采集到的原始字节流没解压。

注意：不要一看到乱码就去改数据库字符集。锟斤拷 和 ä½ å¥½ 这两类，问题出在采集规则或字段处理上，改数据库反而会把原本正常的数据也搞乱。

第二步：核对目标站的编码和数据库字符集

这一步要确认的是“往哪儿存”，存的地方本身必须是 UTF-8，后面的转换才有意义。

登录宝塔面板（或你用的主机面板），进入「数据库」，点对应库右侧的「管理」打开 phpMyAdmin，选中你的库，点顶部「操作」标签，看「排序规则」一栏，应该是 utf8mb4_general_ci 或 utf8mb4_unicode_ci。再点「结构」看每张表的排序规则是否一致，不一致的单表改。

然后打开船说 CMS 的数据库配置文件，一般在 /config/database.php 或 /application/database.php（ThinkPHP 系版本），确认 charset 一项是 utf8mb4。后台首页顶部会显示你的具体版本号，本文的操作路径以常见的 3.x / 4.x 后台为例，其他版本菜单位置可能略有差异。

第三步：在采集规则里指定源站编码

这一步是解决绝大多数乱码的关键，做完后新采集的内容就不会再乱。

进入后台 →「采集管理」→「采集节点列表」，找到出问题的那个节点，点右侧「编辑规则」。在「基本设置」区块里找「页面编码」或「字符集」下拉框，选项一般是：自动识别、UTF-8、GBK、BIG5。

如果目标源站是老站（GBK），这里必须手动选 GBK，别用「自动识别」——自动识别靠读取页面 <meta charset> 标签，而很多老站标签写的是 UTF-8，实际输出却是 GBK，自动识别就废了。判断方法：用浏览器打开源站某篇文章，右键「查看网页源代码」，看 <meta charset=> 写的是什么，再对比页面实际显示是否正常。

如果后台界面上根本没有这个选项，就需要改采集规则文件。规则文件通常在 /collect/ 或 /app/collect/ 目录下，找到对应节点的 PHP 文件，在获取到 $html 之后、解析之前加一行：

$html = mb_convert_encoding($html, 'UTF-8', 'GBK');

把 GBK 换成源站实际编码。

注意：这行转换只能加一次。如果内容本来就是 UTF-8，再加一次转换就会生产出满屏 锟斤拷。改完先采 3～5 条测试，别一次性跑几千条。

第四步：处理 gzip 压缩和多字节截断

如果乱码形态是方块或不可见字符，检查采集代码里的 curl 请求。加上这句让 curl 自动解压：

curl_setopt($ch, CURLOPT_ENCODING, 'gzip,deflate');

另外，规则里如果有对标题、简介做长度截断的代码，把 substr($title, 0, 80) 改成 mb_substr($title, 0, 80, 'UTF-8')。用 substr 会把一个汉字切成半个，前台显示出来就是乱码方块。

第五步：修复已经入库的乱码数据

前面几步只管新采集的内容，已经存进库的乱码要单独处理。以「UTF-8 被当 latin1 存」这种最常见的情况为例，在 phpMyAdmin 里执行：

UPDATE 你的表名 SET 标题字段 = CONVERT(BINARY CONVERT(标题字段 USING latin1) USING utf8mb4);

如果是「GBK 被当 UTF-8 存」，把上面语句里的 latin1 和 utf8mb4 位置对调即可。

注意：执行前一定先在 phpMyAdmin 里点「导出」把整张表备份一份。SQL 更新不可撤销，改错了只能靠备份回滚。

第六步：清缓存后验证

后台「系统」→「缓存管理」清一次缓存，然后重新采集 3～5 条，进「内容管理」打开其中一条，再看前台文章页。列表页和详情页都要看，因为有些模板会对标题做二次截断，问题可能只出现在其中一个。

小结

• 先按乱码形态分四类：???、锟斤拷、ä½ å¥½、方块乱码，病因各不相同。
• 目标站数据库和表统一用 utf8mb4，配置文件 charset 也要一致。
• 采集规则里的「页面编码」手动指定源站真实编码，不要依赖自动识别。
• curl 采集记得加 CURLOPT_ENCODING 处理 gzip，截断一律用 mb_substr。
• 已入库的乱码用 SQL 转换修复，动手前先导出备份。
• 每次改完只测采几条，确认正常再批量跑。