Question

所以我正在尝试使用<p>解析HTML页面并查找段落（get_elements_by_tag_name('p');）

问题在于，当我使用$element->nodeValue时，它会返回奇怪的字符。首先使用curl将文档加载到$ html中，然后将其加载到DomDocument中。

我确定它与字符集有关。

以下是回复的一个例子：“aujourdÃ¢¢¢”。

提前致谢。

Answer 1

我有同样的问题，现在注意到loadHTML（）不再需要2个参数，所以我必须找到一个不同的解决方案。在我的DOM库中使用以下函数，我能够从HTML内容中删除时髦的字符。

private static function load_html($html)
{
    $doc = new DOMDocument;
    $doc->loadHTML('<?xml encoding="UTF-8">' . $html);

    foreach ($doc->childNodes as $node)
        if ($node->nodeType == XML_PI_NODE)
            $doc->removeChild($node);

    $doc->encoding = 'UTF-8';

    return $doc;
}

Answer 2

我通过强制转换为UTF-8来修复此问题，即使原始文本是UTF-8：

$text = iconv("UTF-8", "UTF-8", $text);
$dom = new SmartDOMDocument();
$dom->loadHTML($webpage, 'UTF-8');
.
.
echo $node->nodeValue;

PHP很奇怪：）

Answer 3

这是编码问题。尝试将编码显式设置为UTF-8。

这应该有所帮助：http://devzone.zend.com/article/8855

Answer 4

显然，对我来说，以上方法均无效，最后我发现了以下内容：

// Create a DOMDocument instance 
$doc = new DOMDocument();

// The fix: mb_convert_encoding conversion
$doc->loadHTML(mb_convert_encoding($content, 'HTML-ENTITIES', 'UTF-8'));

Source and more info

来自DomDocument的nodeValue在PHP中返回奇怪的字符

4 个答案: