为什么我不能摆脱这个？

Question

每一行都是一个字符串

 4 
 minutes 
 12
 minutes
 16
 minutes

我能够使用Â成功删除str_replace，但不能使用HTML实体。我发现了这个问题：How to remove html special chars?

但preg_replace没有完成这项工作。如何删除HTML实体和A？

修改 我想我应该早些说过：我正在使用DOMDocument::loadHTML()和DOMXpath。 修改 由于这似乎是一个编码问题，我应该说这实际上是所有单独的字符串。

Answer 1

好吧 - 我想我现在已经掌握了这个 - 我想扩展一些人们所遇到的编码错误：

这似乎是Mojibake的一个高级案例，但这是我认为正在发生的事情。 MikeAinOz最初怀疑这是UTF-8数据可能是真的。如果我们采用以下UTF-8数据：

4 minutes

现在，删除HTML实体，并将其替换为实际对应的字符：U + 00A0。 （这是一个不间断的空间，所以我不能完全“显示”你。你得到字符串：“4分钟”。将其编码为UTF-8，你得到以下字节序列：

characters:  4  [nbsp]   m   i   n ...
bytes     : 34  C2  A0  6D  69  6E ...

（我使用上面的[nbsp]来表示一个字面不间断的空格（字符，而不是HTML实体 ，但是代表的字符。它只是白色空间，因此很难。）请注意，[nbsp] / U + 00A0（非中断空格）需要2个字节才能以UTF-8进行编码。

现在，为了从字节流回到可读文本，我们应该使用UTF-8解码，因为这是我们编码的。让我们使用ISO-8859-1（“latin1”） - 如果你使用错误的，这几乎总是如此。

bytes     : 34  C2      A0  6D  69  6E ...
characters:  4   Â  [nbsp]   m   i   n ...

将原始的非破坏空间切换为HTML实体表示，然后就可以获得所需内容。

所以，你的PHP内容是用错误的字符集解释你的文本，你需要告诉它，否则你在错误的字符集中以某种方式输出结果。更多代码在这里很有用 - 你在哪里获得你传递给这个loadHTML的数据，你将如何获得你所看到的输出？

---

一些背景：“字符编码”只是从一系列字符到一系列字节的一种方式。什么字节代表“é”？ UTF-8表示C3 A9，而ISO-8859-1表示E9。要从一系列字节中恢复原始文本，我们必须知道我们用它编码的内容。如果我们将C3 A9解码为UTF-8数据，我们会收回“é”，如果我们（错误地）将其解码为ISO-8859-1，我们会得到“é”。垃圾。在伪代码中：

utf8-decode ( utf8-encode ( text-data ) )           // OK
iso8859_1-decode ( iso8859_1-encode ( text-data ) ) // OK
iso8859_1-decode ( utf8-encode ( text-data ) )      // Fails
utf8-decode ( iso8859_1-encode ( text-data ) )      // Fails

这不是PHP代码，而不是你的修复......这只是问题的症结所在。在某个地方，大规模，正在发生，事情很困惑。

Answer 2

这看起来像编码错误 - 您的文档使用UTF-8编码，但是呈现为ASCII。解决编码不匹配问题将解决您的问题。在使用utf8_decode()

之前，您可以尝试在源上使用DOMdocument::loadHTML()

Here's an alternative solution from the DOMdocument::loadHTML() documentation page