Question

我遇到类似this question的问题：

nodeValue from DomDocument returning weird characters in PHP

我找到的根本原因可以用mb_convert_encoding（）来模仿

在我的单元测试中，这终于解决了这个问题：

$test = mb_convert_encoding('é', "UTF-8");
$this->assertTrue(mb_check_encoding($test,'UTF-8'),'data is UTF-8');
$this->assertTrue($this->rw->checkEncoding($test,'UTF-8'),'data is UTF-8');
$this->assertIdentical($test,html_entity_decode('&Atilde;&copy;',ENT_QUOTES,'UTF-8'),'values match');

UTF-8数据的原始值似乎即将结束，运行PHP的系统的基本代码页很可能不是UTF-8。

一直到解析（使用转储到DOMDocument的HTML5lib实现）字符串保持干净，UTF-8友好。仅在使用

提取数据时

$span->nodeValue

我是否看到编码稳定性失败。

我的猜测是domdocument导出到nodeValue的htmlentities catch使用了编码转换器，但忽略了内联编码值。

鉴于我的问题是HTML5，我认为它与实现的新颖性直接相关，但它似乎是一个更广泛的问题。除了开头提到的问题之外，我无法通过搜索找到有关DOMDocument特定问题的任何信息。

更新

以前进的名义，我已经从HTML5lib和DOMDocument切换到Simple HTML DOM，并导出干净转义的html，然后我可以将其解析回正确的UTF-8实体。

另外，我没试过的一个功能是

utf8_decode

因此，对于遇到此问题的其他人来说，这可能是一个解决方案。它解决了我在AJAX / PHP中遇到的一个相关问题，该解决方案发现于2009年的博客文章中：Overcoming AJaX UTF-8 Encoding Limitation (in PHP)

Answer 1

刚刚在nodeValue上使用了utf8_decode，它确实有点工作，有特殊字符无法正确显示的问题。

然而，一些角色仍然存在问题，例如简单引用'和其他一些（例如） -

因此使用$ element-＆gt; nodeValue将无效，但utf8_decode（$ element-＆gt; nodeValue）将 - PARTLY。

Answer 2

函数utf8_decode和utf8_encode的命名不是很好。它们分别从utf-8转换为iso-8859-1，从iso-8859-1转换为utf-8。

仅使用mb_convert_encoding作为参数调用时，

utf-8通常与使用函数utf8_encode类似。（通常除非你改变了内部代码页，你可能 - 希望 - 没有。）

大多数PHP的函数都希望字符串被iso-8859-1编码。但是，libxml（这是php的xml解析库的底层库）期望字符串为utf-8。因此，如果你不谨慎，你很容易就会遇到错误的编码。

至于你的测试，第一行可能具有欺骗性。由于您的脚本中有文字é，因此测试会根据您保存文件的编码而更改。请检查文本编辑器。

希望澄清一点。

PHP DOMDocument nodeValue转储文字UTF-8字符而不是编码

2 个答案: