[英]PHP DOMDocument loadHTML UTF-8 encoding correctly with HTML5 doctype
我正在將HTML的DOMDocument類與HTML 5文檔一起使用。 但是當我這樣做時,某些utf-8字符被“更改”。 我 
, ’
, é
等等....
這是我的代碼。
$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 é etc....
print_r($domDoc->saveHTML());
它似乎是帶有meta元素的HTML5文檔類型,例如<meta charset=utf-8">
如果我添加字符集元標記<meta http-equiv="Content-Type" content="text/html; charset=utf-8">
,那似乎還可以。
$domDoc->loadHTML('<meta http-equiv="Content-Type" content="text/html; charset=utf-8">' . $content);
// No   or s’ or é etc....
print_r($domDoc->saveHTML());
您認為這是正確的解決方案嗎?
我找到原因了。
DOM擴展基於libxml2構建,其HTML解析器是為HTML 4編寫的。如果HTML5 doctype和諸如此類的meta元素<meta charset="utf-8">
HTML代碼將被解釋為ISO-8859,而不是ASCII字符將轉換為HTML實體。
但是,類似HTML4的版本將可以運行<meta http-equiv="Content-Type" content="text/html; charset=utf-8">
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.