PHP DOMDocument loadHTML UTF-8正确编码为HTML5 doctype

Question

我正在将HTML的DOMDocument类与HTML 5文档一起使用。 但是当我这样做时，某些utf-8字符被“更改”。 我  ， ’ ， é 等等....

这是我的代码。

    $parsedUrl = 'http://www.futursparents.com/';

    $curl = curl_init();
    @curl_setopt_array($curl, [
            CURLOPT_RETURNTRANSFER => 1,
            CURLOPT_TIMEOUT => 60,
            CURLOPT_CONNECTTIMEOUT => 30,
            CURLOPT_FOLLOWLOCATION => TRUE,
            CURLOPT_MAXREDIRS => 5,
            CURLOPT_AUTOREFERER => FALSE,
            CURLOPT_HEADER => TRUE, // FALSE
            CURLOPT_PROTOCOLS => CURLPROTO_HTTP | CURLPROTO_HTTPS,
            CURLOPT_REDIR_PROTOCOLS => CURLPROTO_HTTP | CURLPROTO_HTTPS,
            CURLOPT_CERTINFO => TRUE,
            CURLOPT_LOW_SPEED_LIMIT => 200,
            CURLOPT_LOW_SPEED_TIME => 50,
            CURLOPT_HTTP_VERSION => CURL_HTTP_VERSION_1_1,
            CURLOPT_PROXYTYPE => CURLPROXY_HTTP,
            CURLOPT_ENCODING => 'gzip,deflate',
            CURLOPT_URL => $parsedUrl,
        ]);
    $response = curl_exec($curl);
    $info = curl_getinfo($curl);
    $error = curl_error($curl);
    $headers = trim(substr($response, 0, curl_getinfo($curl, CURLINFO_HEADER_SIZE)));
    $content = substr($response, curl_getinfo($curl, CURLINFO_HEADER_SIZE));

    curl_close($curl);

    libxml_use_internal_errors(true);

    $domDoc = new DOMDocument();
    print_r($domDoc->encoding); // It's OK => UTF-8
    // Got   or s’ or &eacute etc....
    print_r($domDoc->saveHTML());

它似乎是带有meta元素的HTML5文档类型，例如<meta charset=utf-8">

如果我添加字符集元标记<meta http-equiv="Content-Type" content="text/html; charset=utf-8"> ，那似乎还可以。

$domDoc->loadHTML('<meta http-equiv="Content-Type" content="text/html; charset=utf-8">' . $content);
// No &ensp; or s&rsquo; or &eacute etc....
print_r($domDoc->saveHTML());

您认为这是正确的解决方案吗？

Answer 1

我找到原因了。

DOM扩展基于libxml2构建，其HTML解析器是为HTML 4编写的。如果HTML5 doctype和诸如此类的meta元素<meta charset="utf-8"> HTML代码将被解释为ISO-8859，而不是ASCII字符将转换为HTML实体。

但是，类似HTML4的版本将可以运行<meta http-equiv="Content-Type" content="text/html; charset=utf-8">

参考： UTF-8与PHP DOMDocument loadHTML吗？