如何保留中文或其他外語而不是將它們轉換為代碼？

Question

DOMDocument似乎將中文字符轉換為代碼，例如

你的亂發將成為ä½ çš„ä¹±å'

如何保留中文或其他外語，而不是將其轉換為代碼？

以下是我的簡單測試，

$dom = new DOMDocument();
$dom->loadHTML($html);

如果我在loadHTML（）之前添加以下內容，

$html = mb_convert_encoding($html, "HTML-ENTITIES", "UTF-8"); 

我明白了

你的乱发

即使隱蔽的代碼將顯示為中文字符， 你的乱发 仍然不是你的亂發我追求的......

Answer 1

DOMDocument似乎將中文字符轉換為代碼[...]。 如何保留中文或其他外語，而不是將其轉換為代碼？

$dom = new DOMDocument();
$dom->loadHTML($html);

如果您使用loadHTML函數加載HTML塊。 默認情況下， DOMDocument期望該字符串采用HTML的默認編碼（ ISO-8859-1 ），但最常見的是charset（sic！）是在您正在使用的字符串旁邊而不是在內部提供的元信息。 為了使這更復雜，元信息甚至在字符串內。

無論如何，由於您尚未共享HTML的字符串數據而您尚未指定編碼，因此很難具體說明發生了什么。

我假設HTML是UTF-8編碼的，但這不會在HTML字符串中發出信號。 因此，以下解決方案可以提供幫助：

$doc = new DOMDocument();
$doc->loadHTML('<?xml encoding="UTF-8">' . $html);

// dirty fix
foreach ($doc->childNodes as $item)
    if ($item->nodeType == XML_PI_NODE)
        $doc->removeChild($item); // remove hack
$doc->encoding = 'UTF-8'; // insert proper

它在最開始時注入一個編碼提示（並在加載HTML后將其刪除）。 從那時起， DOMDocument將返回UTF-8（一如既往）。

Answer 2

我在搜索類似問題的解決方案時偶然發現了這個問題，我在正確加載html並使用Xpath等進行一些解析之后...我的文本最終結果如下：

你的乱发

這在HTML正文中顯示得很好，但在樣式或腳本標記中無法正確顯示（例如設置中文字體）。

解決這個問題，反向lauthiamkok做了：

$html = mb_convert_encoding($html, "UTF-8", "HTML-ENTITIES");

如果由於任何原因第一個解決方法不適合您，請嘗試此轉換。

Answer 3

我很確定ä½ çš„ä¹±å'實際上是Windows Latin 1（不是ASCII，ASCII中沒有變音符號）。 在某處你的UTF-8文本被保存為Windows Latin 1 ....