Hello你好â€†世界â€†

Question

网络服务器使用utf-8编码提供响应，所有文件都使用utf-8编码保存，我所知道的设置都已设置为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());

该计划的输出是：

<!DOCTYPE html>
<html><head><meta charset="utf-8"><title>Test!</title></head><body>
    <h1>&acirc;&#152;&#134; Hello &acirc;&#152;&#134; World &acirc;&#152;&#134;</h1>
</body></html>

呈现为：

Hello你好â€†世界â€†

我可能做错了什么？我需要告诉DomDocument正确处理utf-8还有多少具体内容？

Answer 1

DOMDocument::loadHTML()需要一个HTML字符串。

HTML根据其规格使用ISO-8859-1编码（ISO拉丁字母1号）作为默认值。那是因为更长，请参阅6.1. The HTML Document Character Set。实际上，这是普通网络浏览器中Windows-1252的默认支持。

我回到目前为止，因为PHP的DOMDocument基于libxml，并带来了为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 Entities，你就可以了。如果您不想这样做，那就是mb_convert_encoding目标编码的HTML-ENTITIES：

具有命名实体的那些字符将获得命名的权利。 € -> €
其他人获得他们的数字（十进制）实体，例如☆ -> ☆

以下是一个代码示例，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);

此字符串的示例性输出：

☆ -> &#9734;
☆ -> &#9734;
☆ -> &#9734;

无论如何，这只是为了深入了解你的字符串。您希望将其转换为loadHTML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）mb_convert_encoding每个字符串只能处理一个编码。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，所以我暂时留下更多细节。

另一种选择是提示编码。这可以通过修改文档并添加

来完成

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

是指定字符集的Content-Type。这也是通过网络服务器无法获得的HTML字符串的最佳做法（例如，保存在磁盘上或在示例中的字符串内）。 Web服务器通常将其设置为响应头。

如果你不关心错放的警告，你可以把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>部分中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>

Answer 2

有一个更快的解决方法，在DOMDocument中加载你的html文档后，你只需设置（或更好地说重置）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

Answer 3

<?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>&#9734; Hello &#9734; World &#9734;</h1>
</body></html>

PHP DomDocument无法处理utf-8字符（☆）

Hello你好â€†世界â€†

3 个答案: