Question

首先，我的数据库使用Windows-1250作为本机字符集。我输出的数据为UTF-8。我在我的网站上使用iconv（）函数将Windows-1250字符串转换为UTF-8字符串，它完美无缺。

问题是当我使用PHP DOM解析存储在数据库中的一些HTML时（HTML是WYSIWYG编辑器的输出而且无效，它没有html，head，body标签等）。

HTML看起来像这样，例如：

<p>Hello</p>

这是我用来解析数据库中某个HTML的方法：

 private function ParseSlideContent($slideContent)
 {
        var_dump(iconv('Windows-1250', 'UTF-8', $slideContent)); // this outputs the HTML ok with all special characters

  $doc = new DOMDocument('1.0', 'UTF-8');

  // hack to preserve UTF-8 characters
  $html = iconv('Windows-1250', 'UTF-8', $slideContent);
  $doc->loadHTML('<?xml encoding="UTF-8">' . $html);
  $doc->preserveWhiteSpace = false;

  foreach($doc->getElementsByTagName('img') as $t) {
   $path = trim($t->getAttribute('src'));
   $t->setAttribute('src', '/clientarea/utils/locate-image?path=' . urlencode($path));
  }
  foreach ($doc->getElementsByTagName('object') as $o) {
   foreach ($o->getElementsByTagName('param') as $p) {
    $path = trim($p->getAttribute('value'));
    $p->setAttribute('value', '/clientarea/utils/locate-flash?path=' . urlencode($path));
   }
  }
  foreach ($doc->getElementsByTagName('embed') as $e) {
   if (true === $e->hasAttribute('pluginspage')) {
    $path = trim($e->getAttribute('src'));
    $e->setAttribute('src', '/clientarea/utils/locate-flash?path=' . urlencode($path));
   } else {
    $path = end(explode('data/media/video/', trim($e->getAttribute('src'))));
    $path = 'data/media/video/' . $path;
    $path = '/clientarea/utils/locate-video?path=' . urlencode($path);
    $width = $e->getAttribute('width') . 'px';
    $height = $e->getAttribute('height') . 'px';
    $a = $doc->createElement('a', '');
    $a->setAttribute('href', $path);
    $a->setAttribute('style', "display:block;width:$width;height:$height;");
    $a->setAttribute('class', 'player');
    $e->parentNode->replaceChild($a, $e);
    $this->slideContainsVideo = true;
   }
  }

  $html = trim($doc->saveHTML());

  $html = explode('<body>', $html);
  $html = explode('</body>', $html[1]);
  return $html[0];
 }

上面方法的输出是一个垃圾，所有特殊字符都被替换为像š的奇怪的东西。

还有一件事。 在我的开发服务器上运行。

但它在生产服务器上不起作用。

有什么建议吗？

生产服务器的PHP版本：PHP Version 5.2.0RC4-dev

开发服务器的PHP版本：PHP Version 5.2.13

更新：

我自己正在研究解决方案。我从这个PHP错误报告中获得灵感（虽然不是一个真正的错误）：http://bugs.php.net/bug.php?id=32547

这是我提出的解决方案。我明天会试一试，让你知道它是否有效：

 private function ParseSlideContent($slideContent)
 {
        var_dump(iconv('Windows-1250', 'UTF-8', $slideContent)); // this outputs the HTML ok with all special characters

  $doc = new DOMDocument('1.0', 'UTF-8');

  // hack to preserve UTF-8 characters
  $html = iconv('Windows-1250', 'UTF-8', $slideContent);
  $doc->loadHTML('<?xml encoding="UTF-8">' . $html);
  $doc->preserveWhiteSpace = false;

  // this might work
  // it basically just adds head and meta tags to the document
  $html = $doc->getElementsByTagName('html')->item(0);
  $head = $doc->createElement('head', '');
  $meta = $doc->createElement('meta', '');
  $meta->setAttribute('http-equiv', 'Content-Type');
  $meta->setAttribute('content', 'text/html; charset=utf-8');
  $head->appendChild($meta);
  $body = $doc->getElementsByTagName('body')->item(0);
  $html->removeChild($body);
  $html->appendChild($head);
  $html->appendChild($body);

  foreach($doc->getElementsByTagName('img') as $t) {
   $path = trim($t->getAttribute('src'));
   $t->setAttribute('src', '/clientarea/utils/locate-image?path=' . urlencode($path));
  }
  foreach ($doc->getElementsByTagName('object') as $o) {
   foreach ($o->getElementsByTagName('param') as $p) {
    $path = trim($p->getAttribute('value'));
    $p->setAttribute('value', '/clientarea/utils/locate-flash?path=' . urlencode($path));
   }
  }
  foreach ($doc->getElementsByTagName('embed') as $e) {
   if (true === $e->hasAttribute('pluginspage')) {
    $path = trim($e->getAttribute('src'));
    $e->setAttribute('src', '/clientarea/utils/locate-flash?path=' . urlencode($path));
   } else {
    $path = end(explode('data/media/video/', trim($e->getAttribute('src'))));
    $path = 'data/media/video/' . $path;
    $path = '/clientarea/utils/locate-video?path=' . urlencode($path);
    $width = $e->getAttribute('width') . 'px';
    $height = $e->getAttribute('height') . 'px';
    $a = $doc->createElement('a', '');
    $a->setAttribute('href', $path);
    $a->setAttribute('style', "display:block;width:$width;height:$height;");
    $a->setAttribute('class', 'player');
    $e->parentNode->replaceChild($a, $e);
    $this->slideContainsVideo = true;
   }
  }

  $html = trim($doc->saveHTML());

  $html = explode('<body>', $html);
  $html = explode('</body>', $html[1]);
  return $html[0];
 }

Answer 1

你的“黑客”没有意义。

您正在将Windows-1250 HTML文件转换为UTF-8，然后预先<?xml encoding="UTF-8">。这不行。用于HTML文件的DOM扩展：

采用meta http-equiv中指定的charset为“content-type”。
否则采用ISO-8859-1

我建议您将Windows-1250转换为ISO-8859-1并且不添加任何内容。

编辑建议不是很好，因为Windows-1250的字符不在ISO-8859-1中。由于您处理的内容类型没有meta元素的片段，您可以添加自己的片段以强制解释为UTF-8：

<?php
//script and output are in UTF-8

/* Simulate HTML fragment in Windows-1250 */
$html = <<<XML
<p>ĄĽź ‰ ‡ … á (some exist on win-1250, but not LATIN1 or even win-1252)</p>
XML;
$htmlInterm = iconv("UTF-8", "Windows-1250", $html); //convert

/* Append meta header to force UTF-8 interpretation and convert into UTF-8 */
$htmlInterm =
    "<meta http-equiv=\"Content-Type\" content=\"text/html; charset=UTF-8\" />" .
    iconv("Windows-1250", "UTF-8", $htmlInterm);

/* Omit libxml warnings */
libxml_use_internal_errors(true);

/* Build DOM */
$d = new domdocument;
$d->loadHTML($htmlInterm);
var_dump($d->getElementsByTagName("body")->item(0)->textContent); //correct UTF-8

给出：

string(79) "ĄĽź ‰ ‡ … á (some exist on win-1250, but not LATIN1 or even win-1252)"

Answer 2

两种解决方案。

您可以将编码设置为标题：

<?php header("Content-Type", "text/html; charset=utf-8"); ?>

或者您可以将其设置为META标记：

<META HTTP-EQUIV="Content-Type" CONTENT="text/html; charset=UTF-8">

编辑：如果两者都设置正确，请执行以下操作：

创建一个 small 页面，其中包含UTF-8字符。
使用您已有的方法编写页面。
使用Fiddler或Wireshark检查DEV和PROD环境中传输的原始字节。您还可以使用Fiddler / Wireshark仔细检查标题。

如果您确信正在发送正确的标头，那么找到错误的最佳机会是开始查看原始字节。发送到相同浏览器的相同字节将产生相同的结果，因此您需要开始查找它们不相同的原因。 Fiddler / Wireshark将为此提供帮助。

Answer 3

我遇到了同样的问题。我的修复是使用notepad ++并将php文档的编码设置为“UTF-8 without BOM”。希望这有助于其他任何人。

PHP DOM UTF-8问题

3 个答案: