DOMDocument 中的 nodeValue 在 PHP 中返回奇怪的字符

Question

所以我试图解析 HTML 页面并使用 get_elements_by_tag_name('p'); 查找段落 (

)

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

我确信这与字符集有关。

以下是响应的示例：“aujourdàhui”。

提前致谢。

Answer 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。使用 DOM 库中的以下函数，我能够从 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;
}

Answer 2

显然，上述方法对我来说都不起作用，最后我找到了以下内容：

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

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

来源和更多信息

Answer 3

我通过强制转换为 UTF-8 解决了这个问题，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:)

Answer 4

这是一个编码问题。尝试将编码显式设置为 UTF-8。

这应该有帮助： http://devzone.zend.com/article/8855