PHP DOMDocument loadHTML 未正确编码 UTF-8
我正在尝试使用 DOMDocument 解析一些 HTML，但是当我这样做时，我突然失去了我的编码（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。但是，如果我这样做：
echo $profile;
它显示正确。我试过 saveHTML 和 saveXML，都没有正确显示。我正在使用 PHP 5.3。
我所看到的：
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
应该显示的内容：
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：我已将代码简化为五行，以便您自己测试。
$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;
这是返回的 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>
DOMDocument::loadHTML 会将您的字符串视为 ISO-8859-1（HTTP/1.1 默认字符集），除非您另有说明。这会导致 UTF-8 字符串被错误地解释。
如果您的字符串不包含 XML 编码声明，您可以在前面添加一个以使字符串被视为 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();
如果您不知道字符串是否已经包含这样的声明，那么 SmartDOMDocument 中有一个解决方法可以帮助您：
$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方法，但由于并非所有字符都可以在 ISO-8859-1 中表示（如这些武士刀），因此它是最安全的选择。
问题在于 saveHTML() 和 saveXML()，它们在 Unix 中都不能正常工作。在 Unix 中使用时，它们不能正确保存 UTF-8 字符，但它们在 Windows 中工作。
解决方法非常简单：
如果您尝试使用默认值，您将收到您描述的错误
$str = $dom->saveHTML(); // saves incorrectly
您所要做的就是保存如下：
$str = $dom->saveHTML($dom->documentElement); // saves correctly
这行代码将正确保存您的 UTF-8 字符。如果您使用 saveXML()，请使用相同的解决方法。
更新
正如下面评论部分中的“Jack M”所建议的，并由“Pamela”和“Marco Aurélio Deleu”验证，以下变体可能适用于您的情况：
$str = utf8_decode($dom->saveHTML($dom->documentElement));
笔记
不带参数使用saveHTML()时英文字符不会有任何问题（因为在UTF-8中英文字符被保存为单字节字符）当您有多字节字符时会出现问题（例如中文、俄文、阿拉伯文、希伯来文） ， ...ETC。）
我推荐阅读这篇文章：http://coding.smashingmagazine.com/2012/06/06/all-about-unicode-utf8-character-sets/。您将了解 UTF-8 的工作原理以及为什么会出现此问题。这将花费您大约 30 分钟，但这是值得花的时间。
$str = utf8_decode($dom->saveHTML($dom->documentElement));
utf8_decode($dom->saveHTML($dom->documentElement)); 为我做得很好。
确保真正的源文件保存为 UTF-8（您甚至可能想尝试使用 UTF-8 来确保不推荐的 BOM 字符）。
同样对于 HTML，请确保您已使用 meta 标记声明了正确的编码：
<meta http-equiv="Content-Type" content="text/html; charset=utf-8">
如果它是 CMS（因为您已使用 Joomla 标记了您的问题），您可能需要为编码配置适当的设置。
<meta charset="UTF-8"> 标记不适用于 DOMDocument。
<meta charset="UTF-8"> 完全没有问题：见 3v4l.org/AATjh
这花了我一段时间才弄清楚，但这是我的答案。
在使用 DomDocument 之前，我会使用 file_get_contents 来检索 URL，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 的速度一样快后，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
}
尽管有适当的元标记、PHP 设置以及此处和其他地方提供的所有其他补救措施，但在保留 UTF-8 编码方面却失败了。这是有效的：
$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。现在世界上一切都很好。
DomDocument('1.0', 'UTF-8') 中的参数，也适用于我。但在我的情况下，只加载了部分 html。
您可以为强制 utf-8 编码的行添加前缀，如下所示：
@$doc->loadHTML('<?xml version="1.0" encoding="UTF-8"?>' . "\n" . $profile);
然后您可以继续使用已有的代码，例如：
$doc->saveXML()
为 UTF-8 使用正确的标头
不要满足于“它有效”。
@cmbuckley 在他接受的答案中建议将 <?xml encoding="utf-8" ?> 设置为文档。然而，在 HTML 文档中使用 XML 声明有点奇怪。 HTML 不是 XML（除非它是 XHTML），它可能会在通往客户端的过程中混淆浏览器和其他软件（可能是其他人报告的故障的根源）。
我成功使用了 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();
如果您使用其他标准，请使用正确的标头，DOMDocument 非常迂腐地遵循标准并且似乎也支持 HTML5（如果不是您的情况，请尝试更新 libxml 扩展名）。
<!DOCTYPE alsfjaswrtoiufn> 您会得到相同的结果，即它只会输出您输入的任何内容。
您必须为 DOMDocument 提供一个带有有意义的标头的 HTML 版本。就像 HTML5 一样。
$profile ='<?xml version="1.0" encoding="'.$_encoding.'"?>'. $html;
让您的 html 尽可能有效可能是一个好主意，这样您就不会在开始查询时遇到问题... :-) 并远离 htmlentities！！！！那是一种必要的来回浪费资源。保持你的代码疯狂！！！！
使用它以获得正确的结果
$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');
这是不好的方法，因为像 < ; 这样的特殊符号, >可以在 $profile 中，并且在 mb_convert_encoding 之后它们不会转换两次。这是 XSS 和不正确 HTML 的漏洞。
为我找到工作：
$dom = new \DOMDocument;
$dom->loadHTML(utf8_decode($html));
...
return utf8_encode( $dom->saveHTML());
?）
唯一对我有用的是接受的答案
$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 $dom->saveHTML();
然而
这带来了新的问题，即在文档的输出中包含 <?xml encoding="utf-8" ?>。
我的解决方案是做
foreach ($doc->childNodes as $xx) {
if ($xx instanceof \DOMProcessingInstruction) {
$xx->parentNode->removeChild($xx);
}
}
一些解决方案告诉我要删除 xml 标头，我必须执行
$dom->saveXML($dom->documentElement);
对于部分文档（例如，带有两个 <p> 标签的文档），这对我不起作用，只有一个 <p> 标签被返回。
问题是当您向 DOMDocument::saveHTML() 函数添加参数时，您会丢失编码。在少数情况下，您需要避免使用参数并使用旧的字符串函数来查找您要查找的内容。
我认为先前的答案对您有用，但是由于此解决方法对我不起作用，因此我添加了该答案以帮助可能与我有关的人。
关注公众号
不定期副业成功案例分享
$dom->loadHTML('<?xml encoding="utf-8" ?>' . $content);在 PHP7 中为我修复了它（所以它仍然是一个问题） - 这是一个非常烦人的问题，因为我在 HTML 文档中定义了 utf8（使用<meta charset="UTF-8" />）但是没有效果，它似乎需要<?xml 部分，这完全不直观。$dom->loadHTML(mb_convert_encoding($profile, 'HTML-ENTITIES', 'UTF-8'));效果很好！谢谢，