我试图使用DOMDocument解析一些超文本标记语言,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的)。
$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);
}
此代码的结果是我得到了一堆不是日语的字符。但是,如果我这样做了:
echo $profile;
它可以正确显示。我尝试过saveHTML和saveXML,但都不能正确显示。我使用的是PHP 5.3。
我看到的是:
ã¤ãªãã¤å·ã·ã«ã´ã«ã¦ãã¢ã¤ã«ã©ã³ãç³»ã®å®¶åºã«ã9人åå¼ã®5çªç®ã¨ãã¦çã¾ãããå½¼ãå«ãã¦4人ã俳åªã«ãªã£ããç¶è¦ªã¯æ¨æã®ã»ã¼ã«ã¹ãã³ã§ãæ¯è¦ªã¯éµä¾¿å±ã®å®¢å®¤ä¿ã ã£ããé«æ ¡æ代ã¯ãã£ãã£ã®ã¢ã«ãã¤ãã«å¤ãã¿ãæè²è³éãåããªããã«ããªãã¯ç³»ã®é«æ ¡ã¸é²å¦ã
应显示的内容:
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:我已经将代码简化为5行,这样你就可以自己测试它了。
$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>イリノイ州シカゴ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>
发布于 2011-11-22 05:18:49
除非您另行说明,否则DOMDocument::loadHTML
会将您的字符串视为ISO-8859-1格式。这会导致UTF-8字符串被错误解释。
如果您的字符串不包含XML编码声明,您可以在前面加上一个,以使该字符串被视为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();
如果您不知道字符串是否已经包含这样的声明,SmartDOMDocument中有一个变通方法可以帮助您:
$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用ISO-8859-1表示(就像这些片假名一样),所以它是最安全的替代方法。
发布于 2011-11-22 04:59:07
确保将真正的源文件保存为UTF-8 (您甚至可能希望使用UTF-8来尝试不推荐的BOM字符)。
另外,对于HTML,请确保您已经使用meta
标记声明了正确的编码:
<meta http-equiv="Content-Type" content="text/html; charset=utf-8">
如果是CMS (因为你已经用Joomla标记了你的问题),你可能需要为编码配置适当的设置。
发布于 2017-11-20 23:57:11
我花了一段时间才弄明白,但这是我的答案。
在使用DomDocument之前,我会使用file_get_contents来检索urls,然后使用字符串函数处理它们。也许不是最好的方法,但很快。在确信Dom同样快速之后,我首先尝试了以下方法:
$dom = new DomDocument('1.0', 'UTF-8');
if ($dom->loadHTMLFile($url) == false) { // read the url
// error message
}
else {
// process
}
这在保留UTF-8编码方面失败了,尽管这里和其他地方提供了适当的meta标签、php设置和所有其他补救措施。以下是有效的方法:
$dom = new DomDocument('1.0', 'UTF-8');
$str = file_get_contents($url);
if ($dom->loadHTML(mb_convert_encoding($str, 'HTML-ENTITIES', 'UTF-8')) == false) {
}
等等。现在,世界上的一切都是正确的。希望这能有所帮助。
https://stackoverflow.com/questions/8218230
复制相似问题