Question

我从政府网站下载HTML文件（原始HTML，没有任何！DOCTYPE ......），然后提取段落将它们放入MySQL数据库。

我正在使用DOMDocument，所以我要去

$doc = DOMDocument();
$doc->loadHTMLFile( "../notifs/notif$notif_no.htm" );

问题出现是因为某些角色变成了奇怪的东西：例如：（一种）撇号变为¢。

如果我然后尝试将此para保存到表格中的文本字段，则它会被MySQL拒绝或者被记录为这些奇怪的字符...取决于文本字段的编码。

另外，如果我去$ doc-＆gt; saveHTMLFile（“test.htm”）;它实际上打印出奇怪的字符，而不是撇号。

我知道这与编码有关，但几天谷歌搜索和很多关于SE的问题并没有导致解决方案。 Firefox告诉我下载的HTML文件采用utf-8编码。我尝试更改php.ini文件，因此default_charset为“utf-8”。没有快乐。

我更像是一个应用程序员，而不是网站的人，所以我对编码很新。我自己试过破解这个，但只是不明白发生了什么或做了什么。

的后的

发现

$file = file_get_contents("../notifs/notif$notif_no.htm");
$doc->loadHTML('<?xml encoding="UTF-8">' . $file );

然后saveHTMLFile（）输出正确的撇号...我的回声是SQL INSERT INTO ...（...）VALUES（...）字符串。然而，MySQL文本字段中的文本顽固地拒绝合作。（自然而然地尝试了多种不同的校对）。同时，mb_detect_encoding（$ clean_string）打印“UTF-8”，mb_check_encoding（$ clean_string）返回TRUE。

另一个令人费解的事情是：如果我做了

$doc->loadHTML('<?xml encoding="latin1">' . $file )

同样的部分成功保持不变，直到检测到“UTF-8”编码。 hmmmm

的后的

$doc = new DOMDocument();
$file = file_get_contents("../notifs/notif$notif_no.htm");
# without this following line adding an explicit encoding for the DOMDocument nothing worked!
$doc->loadHTML('<?xml encoding="UTF-8">' . $file );

然后，当你提取了一些文本并将其清理干净时，调用它为$ clean_string

# convert difficult UTF-8 characters into HTML special sequences ("&rsquo;", etc.) 
$clean_string = mb_convert_encoding($clean_string, "HTML-ENTITIES", "UTF-8");

在此之后，$ clean_string包含诸如“... wine＆amp; rsquo; s值得喝酒”之类的序列......但是，对于其中一个，我仍然会非常困惑，因为如果你只是去

echo ">>> clean string $clean_string<br>";

......“＆amp; rsquo;”序列当然会被浏览器显示为'（单引号）。

对于大多数PHP用户来说这可能是绝对明显的...但如果你想要显示你在$ clean_string中所拥有的内容的准确图片，你必须去

$decoded_clean_string = htmlspecialchars( $clean_string, ENT_QUOTES );
echo ">>> decoded string: $decoded_clean_string<br>";

Answer 1

$doc = DOMDocument();
$file = file_get_contents("../notifs/notif$notif_no.htm");
$file = mb_convert_encoding($file, "UTF-8");
$doc->loadHTML( $file );

值得一试？

或

$file = mb_convert_encoding($file, 'HTML-ENTITIES', 'UTF-8');

php编码拼图

1 个答案: