我运行以下代码:
$page = '<p>Ä</p>';
$DOM = new DOMDocument;
$DOM->loadHTML($page);
echo 'source:'.$page;
echo 'dom: '.$DOM->getElementsByTagName('p')->item (0)->textContent;
并输出以下内容:
来源:Ä
dom:Ã
所以,我不明白为什么当文本通过DOMDocument时它的编码被破坏了?
答案 0 :(得分:8)
这是一种通过元标题添加正确编码的解决方法:
$DOM->loadHTML('<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />' . $page);
我不确定这是否是您尝试使用的实际字符集,但在必要时进行调整
答案 1 :(得分:4)
DOMDocument
似乎将输入视为UTF-8。在此次转化中,Ä
变为Ä
。这是问题:第二个字符在ISO-8859-1中不存在,但确实存在于Windows-1252中。这就是你在输出中看不到第二个字符的原因。
您可以通过在utf8_decode
的输出上调用textContent
,或使用UTF-8作为页面的字符编码来解决此问题。