DomDocument 和特殊字符答案

【问题标题】：DomDocument and special charactersDomDocument 和特殊字符
【发布时间】：2011-09-28 05:33:44
【问题描述】：

这是我的代码：

$oDom = new DOMDocument();
$oDom->loadHTML("èàéìòù");
echo $oDom->saveHTML();

这是输出：

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><body><p>&Atilde;&uml;&Atilde;&nbsp;&Atilde;&copy;&Atilde;&not;&Atilde;&sup2;&Atilde;&sup1;</p></body></html>

我想要这个输出：

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><body><p>èàéìòù</p></body></html>

我已经尝试过...

$oDom = new DomDocument('4.0', 'UTF-8');

或使用 1.0 和其他东西，但什么都没有。

另一件事... 有没有办法获得相同的原始 HTML？例如，在输入 <p>hello!</p> 中使用此 html 获得相同的输出 <p>hello!</p> 使用 DOMDocument 仅用于解析 DOM 并在标签内进行一些替换。

【问题讨论】：

假设你有&Atilde;，在输出中，有东西破坏了你的UTF-8，使它看起来像iso-8859或类似的。
PHP DOMDocument loadHTML not encoding UTF-8 correctly 的可能重复项

标签： php utf-8 domdocument

【解决方案1】：

解决方案：

$oDom = new DOMDocument();
$oDom->encoding = 'utf-8';
$oDom->loadHTML( utf8_decode( $sString ) ); // important!

$sHtml = '<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">';
$sHtml .= $oDom->saveHTML( $oDom->documentElement ); // important!

saveHTML() 方法在指定节点时的工作方式不同。您可以使用主节点 ($oDom->documentElement) 手动添加所需的 !DOCTYPE。另一个重要的事情是utf8_decode()。在我的例子中，DOMDocument 类的所有属性和其他方法都不会产生预期的结果。

【讨论】：

我在加载页面的一部分时正在寻找一种编码解决方案。上面的解决方案完美！感谢分享。
要使其与 ISO-8859-1 集之外的其他字符一起使用，您需要使用多字节解码。这样像中文或欧元符号这样的字符也可以正确编码。 $oDom->loadHTML(mb_convert_encoding($sString, 'HTML-ENTITIES', 'UTF-8'));see here for more info
试图解决这个问题我差点失去理智！非常感谢！

【解决方案2】：

在您加载 HTML
之后尝试设置编码类型。

$dom = new DOMDocument();
$dom->loadHTML($data);
$dom->encoding = 'utf-8';
echo $dom->saveHTML();

Other way

【讨论】：

【解决方案3】：

$dom = new DomDocument();
$str = htmlentities($str);
$dom->loadHTML(utf8_decode($str));
$dom->encoding = 'utf-8';
.
.
.
$str = $dom->saveHTML();
$str = html_entity_decode($str);

上面的代码对我有用。

【讨论】：

【解决方案4】：

manual page at php.net 上的用户 cmets 表示，该问题似乎是已知的。建议的解决方案包括放置

<meta http-equiv="content-type" content="text/html; charset=utf-8">

在您将任何带有非 ASCII 字符的字符串放入文档之前。

另一个 hack 建议把

<?xml encoding="UTF-8">

作为文档中的第一个文本，然后在末尾删除它。

讨厌的东西。对我来说闻起来像个虫子。

【讨论】：

【解决方案5】：

这边：

/**
 * @param string $text
 * @return DOMDocument
 */
private function buildDocument($text)
{
    $dom = new DOMDocument();

    libxml_use_internal_errors(true);
    $dom->loadHTML('<meta http-equiv="Content-Type" content="text/html; charset=utf-8">' . $text);
    libxml_use_internal_errors(false);

    return $dom;
}

【讨论】：

我需要它作为移动应用程序使用的 API 端点。只有这个解决方案对我有用。谢谢:)

【解决方案6】：

我不知道为什么标记的答案对我的问题不起作用。但这一个做到了。

参考：https://www.php.net/manual/en/class.domdocument.php

<?php

            // checks if the content we're receiving isn't empty, to avoid the warning
            if ( empty( $content ) ) {
                return false;
            }

            // converts all special characters to utf-8
            $content = mb_convert_encoding($content, 'HTML-ENTITIES', 'UTF-8');

            // creating new document
            $doc = new DOMDocument('1.0', 'utf-8');

            //turning off some errors
            libxml_use_internal_errors(true);

            // it loads the content without adding enclosing html/body tags and also the doctype declaration
            $doc->LoadHTML($content, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);

            // do whatever you want to do with this code now

?>

【讨论】：

【解决方案7】：

以上都没有对我有用，但这个成功了：

$fileContent = file_get_contents('my_file.html');
$dom = new DOMDocument();
@$dom->loadHTML(mb_convert_encoding($fileContent, 'HTML-ENTITIES', 'UTF-8'), LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
$dom->encoding = 'utf-8';
$html = $dom->saveHTML();
$html = html_entity_decode($html, ENT_COMPAT, 'UTF-8');
echo $html;

【讨论】：

此解决方案适用于我的情况。非常感谢。

【解决方案8】：

看起来您只需要在创建 DOMDocument 对象时设置substituteEntities。

【讨论】：

【解决方案9】：

对我有用的是：

$doc->loadHTML(mb_convert_encoding($content, 'HTML-ENTITIES', 'UTF-8'));

信用：https://davidwalsh.name/domdocument-utf8-problem

【讨论】：