为什么 DOM 会更改编码？

php dom utf-8

2022-08-30 19:42:09

$string = file_get_contents('http://example.com');

if ('UTF-8' === mb_detect_encoding($string)) {
    $dom = new DOMDocument();
    // hack to preserve UTF-8 characters
    $dom->loadHTML('<?xml encoding="UTF-8">' . $string);
    $dom->preserveWhiteSpace = false;
    $dom->encoding = 'UTF-8';
    $body = $dom->getElementsByTagName('body');
    echo htmlspecialchars($body->item(0)->nodeValue);
}

这会将所有 UTF-8 字符更改为 Å、3/4、¤ 和其他垃圾。有没有其他方法可以保留 UTF-8 字符？

不要发布答案告诉我要确保我将其输出为UTF-8，我确保我是。

提前致谢 :)

答案 1

我最近遇到了类似的问题，最终找到了这个解决方法 - 在加载html之前将所有非ascii字符转换为html实体

$string = mb_convert_encoding($string, 'HTML-ENTITIES', "UTF-8");
$dom->loadHTML($string);

答案 2

如果肯定是DOM搞砸了编码，这个技巧在一段时间内为我做了相反的事情（接受ISO-8859-1数据）。在任何情况下，DOMDocument都应该是UTF-8，但你仍然可以尝试：

    $dom = new DOMDocument('1.0', 'utf-8');