PHP DOMDocument loadHTML没有正确编码UTF-8

我试图使用DOMDocument解析一些HTML，但是当我这样做时，我突然丢失了我的编码(至少在我看来是这样)。

$profile = "<div><p>various japanese characters</p></div>";
$dom = new DOMDocument();
$dom->loadHTML($profile); 

$divs = $dom->getElementsByTagName('div');

foreach ($divs as $div) {
    echo $dom->saveHTML($div);
}

这段代码的结果是我得到了一堆不是日语的字符。然而，如果我这样做:

echo $profile;

显示正确。我尝试了saveHTML和saveXML，两者都不能正确显示。我使用的是PHP 5.3。

我所看到的:

ã¤ãªãã¤å·ã·ã«ã´ã«ã¦ãã¢ã¤ã«ã©ã³ãç³»ã®å®¶åºã«ã9äººåå¼ã®5çªç®ã¨ãã¦çã¾ãããå½¼ãå«ãã¦4äººãä¿³åªã«ãªã£ããç¶è¦ªã¯æ¨æã®ã»ã¼ã«ã¹ãã³ã§ãæ¯è¦ªã¯éµä¾¿å±ã®å®¢å®¤ä¿ã ã£ããé«æ ¡æä»£ã¯ãã£ãã£ã®ã¢ã«ãã¤ãã«å¤ãã¿ãæè²è³éãåããªããã«ããªãã¯ç³»ã®é«æ ¡ã¸é²å¦ã

应该展示什么:

イリノイ州シカゴにて、アイルランド系の家庭に、9人兄弟の5番目として生まれる。彼を含めて4人が俳優になった。父親は木材のセールスマンで、母親は郵便局の客室係だった。高校時代はキャディのアルバイトに勤しみ、教育資金を受けながらカトリック系の高校へ進学

编辑:我将代码简化为五行，以便您可以自己测试。

$profile = "<div lang=ja><p>イリノイ州シカゴにて、アイルランド系の家庭に、</p></div>";
$dom = new DOMDocument();
$dom->loadHTML($profile);
echo $dom->saveHTML();
echo $profile;

下面是返回的html:

<div lang="ja"><p>ã‚¤ãƒªãƒŽã‚¤å·žã‚·ã‚«ã‚´ã«ã¦ã€ã‚¢ã‚¤ãƒ«ãƒ©ãƒ³ãƒ‰ç³»ã®å®¶åºã«ã€</p></div>
<div lang="ja"><p>イリノイ州シカゴにて、アイルランド系の家庭に、</p></div>

当前回答

使用正确的UTF-8报头

不要满足于“它有效”。

@cmbuckley在他接受的回答中建议设置<?XML encoding="utf-8" ?>到文档。但是在HTML文档中使用XML声明有点奇怪。HTML不是XML(除非它是XHTML)，它会在通往客户端的路上混淆浏览器和其他软件(可能是其他人报告的故障的来源)。

我成功使用HTML5声明:

$profile = '<p>イリノイ州シカゴにて、アイルランド系の家庭に、9</p>';
$dom = new DOMDocument();
$dom->loadHTML('<!DOCTYPE html><meta charset="UTF-8">' . $profile);
echo $dom->saveHTML();

如果你使用其他标准，使用正确的头文件，DOMDocument遵循相当严格的标准，似乎也支持HTML5(如果不是在你的情况下，尝试更新libxml扩展)。

2021-04-04 22:21:14

其他回答

您必须为DOMDocument提供一个带有合理标题的HTML版本。就像HTML5一样。

$profile ='<?xml version="1.0" encoding="'.$_encoding.'"?>'. $html;

也许让你的HTML尽可能有效是一个好主意，这样你就不会在开始查询时遇到问题。大约:-)和远离htmlentities!!!!这是一个必要的来回浪费资源。保持你的代码疯狂!!!!

2013-06-04 07:25:08

问题是，当您向DOMDocument::saveHTML()函数添加参数时，会丢失编码。在少数情况下，您需要避免使用形参，并使用旧的字符串函数来查找您要查找的内容。

我认为前面的答案对你有用，但因为这个方法对我没用，所以我加上这个答案来帮助那些可能和我有同样情况的人。

2013-05-16 11:14:35

使用它可以得到正确的结果

$dom = new DOMDocument();
$dom->loadHTML('<meta http-equiv="Content-Type" content="text/html; charset=utf-8">' . $profile);
echo $dom->saveHTML();
echo $profile;

这个操作

mb_convert_encoding($profile, 'HTML-ENTITIES', 'UTF-8');

这是不好的方式，因为像<， >可以在$profile中，并且它们不会在mb_convert_encoding之后进行两次转换。它是XSS和错误HTML的漏洞。

2016-06-15 11:57:19

DOMDocument::loadHTML将把您的字符串视为ISO-8859-1 (HTTP/1.1默认字符集)，除非您另有说明。这将导致UTF-8字符串被错误地解释。

如果你的字符串不包含XML编码声明，你可以在前面加上一个，使字符串被视为UTF-8:

$profile = '<p>イリノイ州シカゴにて、アイルランド系の家庭に、9</p>';
$dom = new DOMDocument();
$dom->loadHTML('<?xml encoding="utf-8" ?>' . $profile);
echo $dom->saveHTML();

如果你不知道字符串是否已经包含这样的声明，在SmartDOMDocument中有一个解决方案，它应该会帮助你:

$profile = '<p>イリノイ州シカゴにて、アイルランド系の家庭に、9</p>';
$dom = new DOMDocument();
$dom->loadHTML(mb_convert_encoding($profile, 'HTML-ENTITIES', 'UTF-8'));
echo $dom->saveHTML();

这不是一个很好的解决办法，但由于不是所有字符都可以在ISO-8859-1中表示(比如这些武士刀)，这是最安全的替代方案。

2011-11-21 21:18:49