来自DOMDocument的nodeValue在PHP中返回奇怪的字符

Posted 2023-05-07

【中文标题】来自DOMDocument的nodeValue在PHP中返回奇怪的字符

【英文标题】：nodeValue from DOMDocument returning weird characters in PHP

【发布时间】：2011-01-02 18:11:12

【问题描述】：

所以我正在尝试解析 html 页面并使用 get_elements_by_tag_name('p'); 查找段落 (<p>)

问题是当我使用$element->nodeValue 时，它返回了奇怪的字符。文档首先使用 curl 加载到 $html 中，然后将其加载到 DOMDocument 中。

我确定这与字符集有关。

这是一个响应示例：“aujourd’hui”。

提前致谢。

【问题讨论】：

在这个特定示例中，html 页面的编码是什么？

php DOMDocument loadHTML not encoding UTF-8 correctly 的可能重复项

【参考方案1】：

我遇到了同样的问题，现在注意到 loadHTML() 不再需要 2 个参数，所以我必须找到不同的解决方案。在我的 DOM 库中使用以下函数，我能够从我的 HTML 内容中删除时髦的字符。

private static function load_html($html)

    $doc = new DOMDocument;
    $doc->loadHTML('<?xml encoding="UTF-8">' . $html);

    foreach ($doc->childNodes as $node)
        if ($node->nodeType == XML_PI_NODE)
            $doc->removeChild($node);

    $doc->encoding = 'UTF-8';

    return $doc;

【参考方案2】：

我通过强制转换为 UTF-8 来解决此问题，即使原始文本是 UTF-8：

$text = iconv("UTF-8", "UTF-8", $text);
$dom = new SmartDOMDocument();
$dom->loadHTML($webpage, 'UTF-8');
.
.
echo $node->nodeValue;

PHP 很奇怪 :)

【参考方案3】：

显然对我来说以上都不起作用，最后我发现了以下内容：

// Create a DOMDocument instance 
$doc = new DOMDocument();

// The fix: mb_convert_encoding conversion
$doc->loadHTML(mb_convert_encoding($content, 'HTML-ENTITIES', 'UTF-8'));

Source and more info

【参考方案4】：

这是一个编码问题。尝试将编码显式设置为 UTF-8。

这应该会有所帮助：http://devzone.zend.com/article/8855

【讨论】：

已经试过了，但是没有用...有趣的是，如果我执行 $doc->saveHTML()，返回的 html 的编码是完全正确的。

HTML 中指定的<meta http-equiv="Content-type" ... /> 是什么？