PHP DOMDocument loadHTML无法正确编码UTF-8

我正在尝试使用DOMDocument解析一些HTML，但是当我这样做时，我突然失去了编码（至少对我来说是如此）。

$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。我尝试过saveHTML和saveXML，但都无法正确显示。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

应该显示什么：

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，因此您可以自己对其进行测试。

$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除非另行说明，否则会将您的字符串视为ISO-8859-1中的字符串。这导致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，则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，则SmartDOMDocument中提供了一种变通方法，该方法可以帮助您：

$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，但是由于并非所有字符都可以用ISO-8859-1表示（就像这些武士刀一样），所以这是最安全的选择。

问题在于saveHTML()和saveXML()，它们在Unix中均无法正常工作。在Unix中使用时，它们不能正确保存UTF-8字符，但在Windows中可以使用。

解决方法非常简单：

如果您尝试使用默认值，则会得到您描述的错误

$str = $dom->saveHTML(); // saves incorrectly

您要做的只是保存如下：

$str = $dom->saveHTML($dom->documentElement); // saves correctly

这行代码将使您的UTF-8字符正确保存。如果使用，请使用相同的解决方法saveXML()。

更新资料

正如下面的评论部分中“ Jack M ” 所建议的，并由“ Pamela ”和“ MarcoAurélioDeleu ” 验证的那样，以下变体可能适用于您的情况：

$str = utf8_decode($dom->saveHTML($dom->documentElement));

注意

1. 在不saveHTML()带参数的情况下使用英文字符不会造成任何问题（因为英文字符在UTF-8中保存为单字节字符）

2. 当您使用多字节字符（例如中文，俄语，阿拉伯语，希伯来语等）时，就会发生此问题。

我建议阅读这篇文章：http : //coding.smashingmagazine.com/2012/06/06/all-about-unicode-utf8-character-sets/。您将了解UTF-8的工作原理以及出现此问题的原因。这将花费您大约30分钟的时间，但是时间充裕。

确保真实的源文件已保存为UTF-8（您甚至可能想使用UTF-8尝试使用非推荐的BOM字符以确保）。

同样对于HTML，请确保已使用meta标签声明了正确的编码：

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

如果是CMS（您已经用Joomla标记了问题），则可能需要为编码配置适当的设置。

您可以在行强制utf-8编码之前添加前缀，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()

这花了我一段时间才能弄清楚，但这是我的答案。

在使用DomDocument之前，我将使用file_get_contents检索URL，然后使用字符串函数对其进行处理。也许不是最好的方法，但是很快。在确信Dom很快之后，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
}

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。现在，一切都对了。希望这可以帮助。

您必须向DOMDocument提供带有有意义标题的HTML版本。就像HTML5一样。

$profile ='<?xml version="1.0" encoding="'.$_encoding.'"?>'. $html;

最好使您的html尽可能有效，因此，当您开始在...附近查询时，您不会遇到麻烦...-）并远离htmlentities!!!! 这是必要的来回浪费资源。保持您的代码疯狂！！！

我正在manjaro上使用php 7.3.8，并且正在使用波斯语内容。这解决了我的问题：

$html = 'hi</b><p>سلام<div>の家庭に、9 ☆';
$doc = new DOMDocument('1.0', 'UTF-8');
$doc->loadHTML(mb_convert_encoding($html, 'HTML-ENTITIES', 'UTF-8'));
print $doc->saveHTML($doc->documentElement) . PHP_EOL . PHP_EOL;

作品为我找到了：

$dom = new \DOMDocument;
$dom->loadHTML(utf8_decode($html));
...
return  utf8_encode( $dom->saveHTML());

用它来获得正确的结果

$dom = new DOMDocument();
$dom->loadHTML('<meta http-equiv="Content-Type" content="text/html; charset=utf-8">' . $profile);
echo $dom->saveHTML();
echo $profile;

此操作

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

这是不好的方法，因为特殊符号如＆lt;。，＆gt; 可以位于$ profile中，并且在mb_convert_encoding之后它们将不会转换两次。这是XSS和错误HTML的漏洞。

唯一对我有用的是公认的答案

$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<?xml encoding="utf-8" ?>了文件输出中的新问题。

然后对我来说解决方案

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，仅<p>返回其中一个标签。

问题是，当您向DOMDocument :: saveHTML（）函数添加参数时，会丢失编码。在某些情况下，您将需要避免使用参数，而要使用旧的字符串函数来查找所需的内容。

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属于我的个人。

也可以像下面这样编码....从https://davidwalsh.name/domdocument-utf8-problem收集

$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();