![](/img/trans.png)
[英]PHP DOMDocument nodeValue dumps literal UTF-8 characters instead of encoded
[英]PHP DOMDocument failing to handle utf-8 characters (☆)
网络服务器以 utf-8 编码提供响应,所有文件都以 utf-8 编码保存,我所知道的所有设置都已设置为 utf-8 编码。
这是一个快速程序,用于测试输出是否有效:
<?php
$html = <<<HTML
<!doctype html>
<html>
<head>
<meta charset="utf-8">
<title>Test!</title>
</head>
<body>
<h1>☆ Hello ☆ World ☆</h1>
</body>
</html>
HTML;
$dom = new DOMDocument("1.0", "utf-8");
$dom->loadHTML($html);
header("Content-Type: text/html; charset=utf-8");
echo($dom->saveHTML());
程序的输出是:
<!DOCTYPE html>
<html><head><meta charset="utf-8"><title>Test!</title></head><body>
<h1>☆ Hello ☆ World ☆</h1>
</body></html>
呈现为:
我可能做错了什么? 要告诉 DOMDocument 正确处理 utf-8,我需要具体多少?
DOMDocument::loadHTML()
需要一个 HTML 字符串。
HTML 使用ISO-8859-1
编码(ISO Latin Alphabet No. 1)作为其规范的默认编码。 那是因为更长,见6.1。 HTML 文档字符集。 实际上,这更多是常见网络浏览器对Windows-1252
的默认支持。
我回过头来是因为 PHP 的 DOMDocument 基于 libxml 并且带来了专为 HTML 4.0 设计的HTMLparser 。
我认为可以安全地假设您可以加载ISO-8859-1
编码的字符串。
您的字符串是UTF-8
编码的。 将所有高于 127 / h7F 的字符转换为HTML 实体,您就可以了。 如果您不想自己做,那就是使用HTML-ENTITIES
目标编码的mb_convert_encoding
所做的:
€ -> €
☆ -> ☆
下面是一个代码示例,它通过使用回调函数使进度更加明显:
$html = preg_replace_callback('/[\x{80}-\x{10FFFF}]/u', function($match) {
list($utf8) = $match;
$entity = mb_convert_encoding($utf8, 'HTML-ENTITIES', 'UTF-8');
printf("%s -> %s\n", $utf8, $entity);
return $entity;
}, $html);
您的字符串的示例输出:
☆ -> ☆
☆ -> ☆
☆ -> ☆
无论如何,这只是为了更深入地了解您的字符串。 你想把它要么转换成loadHTML
就可以处理的编码。 这可以通过将US-ASCII
之外的所有内容转换为 HTML 实体来完成:
$us_ascii = mb_convert_encoding($utf_8, 'HTML-ENTITIES', 'UTF-8');
请注意您的输入实际上是 UTF-8 编码的。 如果您甚至有混合编码(某些输入可能会发生这种情况) mb_convert_encoding
每个字符串只能处理一种编码。 我已经在上面概述了如何在正则表达式的帮助下更具体地进行字符串替换,所以我现在留下更多的细节。
另一种选择是提示编码。 这可以通过修改文档并添加一个
<meta http-equiv="content-type" content="text/html; charset=utf-8">
这是一个指定字符集的内容类型。 对于无法通过网络服务器使用的 HTML 字符串(例如,保存在磁盘上或在您的示例中的字符串中),这也是最佳实践。 网络服务器通常将其设置为响应标头。
如果你不关心错位的警告,你可以将它添加到字符串前面:
$dom = new DomDocument();
$dom->loadHTML('<meta http-equiv="content-type" content="text/html; charset=utf-8">'.$html);
根据 HTML 2.0 规范,只能出现在文档的<head>
部分的元素将自动放置在那里。 这也是这里发生的事情。 输出(漂亮的打印):
<!DOCTYPE html>
<html>
<head>
<meta http-equiv="content-type" content="text/html; charset=utf-8">
<meta charset="utf-8">
<title>Test!</title>
</head>
<body>
<h1>☆ Hello ☆ World ☆</h1>
</body>
</html>
有一个更快的解决方法,在 DOMDocument 中加载您的 html 文档后,您只需设置(或者更好的说法是重置)原始编码。 这是一个示例代码:
$dom = new DOMDocument();
$dom->loadHTML('<?xml encoding="UTF-8">' . $html);
foreach ($dom->childNodes as $item)
if ($item->nodeType == XML_PI_NODE)
$dom->removeChild($item);
$dom->encoding = 'UTF-8'; // reset original encoding
<?php
header("Content-type: text/html; charset=utf-8");
$html = <<<HTML
<!doctype html>
<html>
<head>
<meta charset="utf-8">
<title>Test!</title>
</head>
<body>
<h1>☆ Hello ☆ World ☆</h1>
</body>
</html>
HTML;
$html = mb_convert_encoding($html, 'HTML-ENTITIES', "UTF-8");
$dom = new DOMDocument("1.0", "utf-8");
$dom->loadHTML($html);
header("Content-Type: text/html; charset=utf-8");
echo($dom->saveHTML());
输出:
<!DOCTYPE html>
<html><head><meta charset="utf-8"><title>Test!</title></head><body>
<h1>☆ Hello ☆ World ☆</h1>
</body></html>
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.