Question

我正在学习PHP编程，我正在测试一些东西。

我一直在尝试下载一些HTML数据：

$this->html = file_get_contents($this->url);

$fh = fopen('txt\htm.txt', 'w') or die("can't open file");
        fwrite($fh, $this->html);
        fclose($fh);

一旦我运行此脚本，它就会从页面下载HTML并将其保存在文本文件中;到这里一切正常。

在HTML文件中，有一些我想要提取并保存在内存中的数据。

示例：

“汽车”
“香蕉”
“tâllian”＆lt; -
“狗”

我使用的代码:(我正在使用XPath）

$doc = new DOMDocument;
@$doc->loadHTML($this->html);
$xpath = new DOMXpath($doc);

    $this->string1 = $this->GetName('//div/div[2]/table/tbody/tr[1]/td[1]/a/span',$xpath);
        $this->string2 = $this->GetName('//div/div[2]/table/tbody/tr[2]/td[1]/a/span',$xpath);
        $this->string3 = $this->GetName('//div/div[2]/table/tbody/tr[3]/td[1]/a/span',$xpath);  
        $this->string4 = $this->GetName('//div/div[2]/table/tbody/tr[4]/td[1]/a/span',$xpath);


    private function GetName($xquery,$xpath)
    {
        $result_rows = $xpath->query($xquery);
        foreach ($result_rows  as $result_object)
        {
            return substr($result_object->nodeValue, strpos($result_object->nodeValue, '>')+1,strlen($result_object->nodeValue) );
        }

}

如果我打印：

echo 'tâllian<br>';
echo $this->string1.'<br>';
echo $this->string2.'<br>';
echo $this->string3.'<br>'; //tâllian
echo $this->string4.'<br>';

结果：

tâllian＆lt; -
车
香蕉
tÃ¢llian＆lt; -
狗

所以我的问题是，为什么脚本会返回“t？llian”而不是“tâllian”？

我希望这些问题是由我的函数GetName引起的......你怎么看？

有趣的事实

当我在我的文本文件（“txt \ htm.txt”）中搜索单词“tâllian”时，我发现它干净清晰。
当我执行echo 'tâllian';时，它会将其清除并清除，因为我有这个标题：header('Content-Type: text/html; charset=utf-8');

找到解决方案：

$html = mb_convert_encoding($html, 'HTML-ENTITIES', 'utf-8');
$doc = new DOMDocument;
@$doc->loadHTML($html);

在创建新的DOMDocument之前需要进行转换。

Answer 1

如果您使用htmlentities();方法会怎样？尝试使用以下代码：

echo htmlentities($this->string3) . "<br />";

这可能是因为当您将它们打印为纯文本时，这些特殊字符（在这一个中，带屋顶的A）无法正确打印。您应该将它们打印为HTML实体。下面使用的方法会自动执行此操作。

您可以在PHP页面中找到有关此方法的更多信息：htmlentities

Answer 2

找到解决方案：

$html = mb_convert_encoding($html, 'HTML-ENTITIES', 'utf-8');
$doc = new DOMDocument;
@$doc->loadHTML($html);

在创建新的DOMDocument之前需要进行转换。

字符编码和file_get_contents

2 个答案: