使用 DOMDocument->saveHTML() 将实际 Unicode 字符自动转换为数值

Posted 2023-02-16

【中文标题】使用 DOMDocument->saveHTML() 将实际 Unicode 字符自动转换为数值

【英文标题】：The Actual Unicode Characters automatically converted to Numeric values using DOMDocument->saveHTML()

【发布时间】：2013-04-05 16:57:10

【问题描述】：

我正在使用下面的函数来获取html字符串的内部html

function DOMinnerHTML($element) 
 
    $innerHTML = ""; 
    $children = $element->childNodes; 
    foreach ($children as $child) 
     
        $tmp_dom = new DOMDocument('1.0', 'UTF-8');
        $tmp_dom->appendChild($tmp_dom->importNode($child, true)); 
        $innerHTML .= trim($tmp_dom->saveHTML()); 
    

    return $innerHTML; 
 

我的 html 字符串也包含 unicode 字符。这是html字符串的示例

$html = '<div>Thats True. Yes it is well defined آپ مجھے تم کہہ کر پکاریں</div>';

当我使用上述功能时

$output = DOMinnerHTML($html);

输出如下

$output = '<div>Thats True. Yes it is well defined 
&#1705;&#1746;&#1748;&#1587;&#1604;&#1591;&#1575</div>';

转换为数值的实际 unicode 字符。

我已经调试了代码，发现在DOMinnerHTML函数下面一行之前

$innerHTML .= trim($tmp_dom->saveHTML()); 

如果我回声

echo $tmp_dom->textContent;

它显示实际的 unicode 字符，但在保存到 $innerHTML 后，它会输出数字符号。 为什么这样做。

注意：请不要建议我使用 html_entity_decode 之类的函数将数字符号转换为真正的 unicode 字符，因为我的 html 字符串中还有用户格式化的数据，我不想转换。

注意：我也试过把

<meta http-equiv="content-type" content="text/html; charset=utf-8">

在我的 html 字符串之前，但没有区别。

【问题讨论】：

相关：***.com/questions/6573258/…

呃，有问题吗？数字字符引用应该仍然可以正常工作。好的，它们只是占用了更多的字节......

【参考方案1】：

我遇到了类似的问题。看了上面的评论，经过进一步的调查，我找到了一个非常简单的解决方案。

你所要做的就是使用html_entity_decode()来转换saveHTML()的输出，如下：

// Create a new dom document
$dom = new DOMDocument();


// .... Do some stuff, adding nodes, ...etc.


// the html_entity_decode function will solve the unicode issue you described
$result = html_entity_decode($dom->saveHTML();

// echo your output
echo $result;

这将确保正确显示 unicode 字符

【参考方案2】：

问得好，您做得很好，将问题缩小到导致事情变得混乱的一行代码！这让我能够弄清楚出了什么问题。

问题在于DOMDocument's saveHTML() function。它正在做它应该做的事情，但它的设计不是你想要的。

saveHTML() 将文档转换为“使用 HTML 格式”的字符串 - 这意味着它会为您进行 HTML 实体编码！可悲的是，这不是你想要的。 php 文档中的注释还表明 DOMDocument 不能很好地处理 utf-8 并且不能很好地处理片段（因为它会自动添加 html、doctype 等）。

只需使用另一个类即可查看此评论以获取建议的解决方案：alternative to DOMDocument

在看到许多关于某些 DOMDocument 缺点的投诉后， 例如编码处理不当和总是保存 HTML 片段 使用 、 和 DOCTYPE，我认为更好的解决方案是 需要。

所以这里是：SmartDOMDocument。你可以在 http://beerpla.net/projects/smartdomdocument/

目前主要亮点有：

SmartDOMDocument 继承自 DOMDocument，因此非常易于使用 - 只需声明一个 SmartDOMDocument 类型的对象而不是 DOMDocument 并在所有现有的基础上享受新的行为 功能（参见下面的示例）。

saveHTMLExact() - DOMDocument 有一个设计非常糟糕的“功能”，如果您正在加载的 HTML 代码不包含 和标签，它会自动添加它们（是的，没有 标志来关闭此行为）。因此，当您调用 $doc->saveHTML()，你新保存的内容现在有和 DOCTYPE 在里面。尝试使用代码片段时不是很方便 （XML 也有类似的问题）。 SmartDOMDocument 包含一个新功能 调用 saveHTMLExact() 完全符合您的要求 - 它 保存 HTML 而不会像 DOMDocument 那样添加额外的垃圾。

编码修复 - 众所周知，DOMDocument 不能正确处理编码（至少是 UTF-8）并且输出会出现乱码。 SmartDOMDocument 尝试 通过增强 loadHTML() 来解决这个问题 正确编码。这种行为对您来说是透明的 - 只需使用 像往常一样加载HTML()。

【讨论】：

感谢您的详细回答。其实你已经深入了解了我的问题。但是这个答案中给出的课程，我下载并使用了它，但存在同样的问题。即使您尝试这个 SmartDOMDocument 类的 testHTML() 函数，它也会详细说明它本身并不显示实际的 unicode 字符，而是显示数字等值 html 代码。那是我的实际问题。等待解决方案。

【参考方案3】：

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

这对我有用