Question

我使用以下函数来获取html字符串的内部html

function DOMinnerHTML($element) 
{ 
    $innerHTML = ""; 
    $children = $element->childNodes; 
    foreach ($children as $child) 
    { 
        $tmp_dom = new DOMDocument('1.0', 'UTF-8');
        $tmp_dom->appendChild($tmp_dom->importNode($child, true)); 
        $innerHTML .= trim($tmp_dom->saveHTML()); 
    }

    return $innerHTML; 
}

我的html字符串也包含unicode字符。这是html字符串

的示例

$html = '<div>Thats True. Yes it is well defined آپ مجھے تم کہہ کر پکاریں</div>';

当我使用上述功能时

$output = DOMinnerHTML($html);

输出如下

$output = '<div>Thats True. Yes it is well defined 
&#1705;&#1746;&#1748;&#1587;&#1604;&#1591;&#1575</div>';

将实际的unicode字符转换为数字值。

我调试了代码并发现在DOMinnerHTML函数之前的下一行

$innerHTML .= trim($tmp_dom->saveHTML());

如果我回应

echo $tmp_dom->textContent;

它显示实际的unicode字符，但在保存到$innerHTML后，它会输出数字符号。为什么这样做。

注意：请不要建议我使用html_entity_decode函数将数字符号转换为真正的unicode字符，因为我的html字符串中也有用户格式的数据，我不想转换。

注意：我也试过把

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

在我的html字符串之前但没有区别。

Answer 1

很好的问题，你做了一个很好的工作，将问题缩小到一行代码，导致事情变得混乱！这让我可以弄清楚出了什么问题。

问题在于DOMDocument's saveHTML() function。它正在做它应该做的事情，但它的设计并不是你想要的。

saveHTML（）将文档转换为“使用HTML格式”的字符串 - 这意味着它为您执行HTML实体编码！可悲的是，这不是你想要的。 PHP文档中的注释也表明DOMDocument不能很好地处理utf-8，并且不能很好地处理片段（因为它会自动添加html，doctype等）。

只需使用另一个类alternative to DOMDocument

，查看此评论即可获得建议的解决方案

看到很多关于某些DOMDocument缺点的投诉后，   例如编码处理不当并始终保存HTML片段   有了，和DOCTYPE，我认为更好的解决方案是   需要的。

所以这里是：SmartDOMDocument。你可以找到它   http://beerpla.net/projects/smartdomdocument/

目前，主要亮点是：



SmartDOMDocument继承自DOMDocument，因此它非常易于使用 - 只需声明一个SmartDOMDocument类型的对象而不是DOMDocument，并享受所有现有的新行为   功能（见下面的例子）。



saveHTMLExact（） - DOMDocument有一个设计极其糟糕的“功能”，如果您加载的HTML代码不包含    和标签，它自动添加它们（是的，没有   用于关闭此行为的标志）。因此，当你打电话   $ doc-＆gt; saveHTML（），您新保存的内容现在有和   其中有DOCTYPE。尝试使用代码片段时不是很方便   （XML也有类似的问题）。 SmartDOMDocument包含一个新功能   称为saveHTMLExact（），它完全符合您的要求 - 它   保存HTML而不添加DOMDocument所做的额外垃圾。



编码修复 - 众所周知，DOMDocument不能正确处理编码（至少是UTF-8）并使输出变得混乱。 SmartDOMDocument尝试   通过增强loadHTML（）来解决这个问题   编码正确。这种行为对你来说是透明的 - 只需使用   像往常一样加载HTML（）。

Answer 2

我有类似的问题。在阅读了上述评论后，经过进一步调查，我找到了一个非常简单的解决方案。

您只需使用html_entity_decode()转换saveHTML()的输出，如下所示：

// Create a new dom document
$dom = new DOMDocument();


// .... Do some stuff, adding nodes, ...etc.


// the html_entity_decode function will solve the unicode issue you described
$result = html_entity_decode($dom->saveHTML();

// echo your output
echo $result;

这将确保正确显示unicode字符

Answer 3

mb_convert_encoding（$ HTML，＆＃39; HTML实体＆＃39;，＆＃39; UTF-8＆＃39）;

这对我有用

使用DOMDocument-＆gt; saveHTML（）自动将Unicode字符转换为数字值

3 个答案: