使用 PHP 加载 UTF-8 编码的 HTML 站点

Posted 2023-02-21

【中文标题】使用 PHP 加载 UTF-8 编码的 HTML 站点

【英文标题】：Load UTF-8 encoded HTML site with PHP

【发布时间】：2021-06-06 08:27:56

【问题描述】：

我从一个网站上抓取一些信息。因此，我创建了一个新的 DOM 文档并使用 loadhtmlFile 加载网站。 现在我遇到的问题是我正在抓取的网站使用撇号/法语口音。我读到loadHTMLFile 默认不使用 UTF-8 编码。

所以我尝试手动添加 UTF-8 编码，但它不起作用。撇号仍然无法正确显示。

例如，字母ì（带撇号）显示为%C3%AC。没有撇号的单词可以正确显示。

这是完整的代码：

header('Content-Type: text/html; charset=utf-8');

foreach (range(0, 50) as $number) 

$url = 'https://www.xxyyy.com/' . $number . '';
$dom = new DOMDocument('1.0', 'utf-8');
$dom->loadHTMLFile(mb_convert_encoding($url, 'HTML-ENTITIES', 'UTF-8'));
$dom->substituteEntities = true;
$xpath = new DOMXPath($dom);

$content = $xpath->query("//a[contains(@href,'character')]/@href");

    foreach ($content as $node) 

      echo $node->nodeValue
    

【参考方案1】：

您的问题根本不是 UTF-8。 HTML 中的每个 URL 都应该进行 URL 编码。当您获取 <a href> 的值时，您会获取编码形式的 URL。如果要查看 unicode 字符，则必须将 URL 解码为其字符串形式。使用urldecode()

echo urldecode($node->nodeValue);