PHP：每当我尝试编写 UTF-8 时，使用 DOMDocument 它会写入它的十六进制表示法

Question

当我尝试使用 DOMDocument 将 UTF-8 字符串写入 XML 文件时，它实际上会写入字符串的十六进制表示法，而不是字符串本身。

例如：

ירושלים

而不是：

ירושלים

有什么想法如何解决这个问题吗？

Answer 1

好的，就这样：

$dom = new DOMDocument('1.0', 'utf-8');
$dom->appendChild($dom->createElement('root'));
$dom->documentElement->appendChild(new DOMText('ירושלים'));
echo $dom->saveXml();

会很好地工作，因为在这种情况下，您构建的文档将保留指定为第二个参数的编码：

<?xml version="1.0" encoding="utf-8"?>
<root>ירושלים</root>

但是，一旦将 XML 加载到未指定编码的文档中，您将丢失任何内容在构造函数中声明，这意味着：

$dom = new DOMDocument('1.0', 'utf-8');
$dom->loadXml('<root/>'); // missing prolog
$dom->documentElement->appendChild(new DOMText('ירושלים'));
echo $dom->saveXml();

不会有 utf-8 编码：

<?xml version="1.0"?>
<root>ירושלים</root>

因此，如果您加载 XML 某些内容，请确保它是，

$dom = new DOMDocument();
$dom->loadXml('<?xml version="1.0" encoding="utf-8"?><root/>');
$dom->documentElement->appendChild(new DOMText('ירושלים'));
echo $dom->saveXml();

并且它将按预期工作。

作为替代方案，您还可以指定编码 加载文档后。

Answer 2

如果你想用 DOMDocument 输出 UTF-8，你需要指定。很简单，不是吗？如果你已经闻到了一个棘手的问题，那么你就离题不远了，但乍一看，它确实很简单。

考虑以下输出十六进制实体的（UTF-8 编码）代码示例：

$dom = new DOMDocument();
$dom->loadXml('<root>ירושלים</root>');
$dom->save('php://output');

输出：

<?xml version="1.0"?>
<root>ירושלים</root>

如前所述，如果要将其输出为 UTF-8，则需要指定它，并且它很简单：

...
$dom->encoding = 'UTF-8';
$dom->save('php://output');

然后的输出是UTF-8 明确：

<?xml version="1.0" encoding="UTF-8"?>
<root>ירושלים</root>

简单的部分就讲这么多。如果您对肮脏的小细节感兴趣，您可以继续阅读 - 如果没有，请不要问“为什么？”:)。

我刚刚写了“用 UTF-8 明确地”，因为在第一个示例中，输出也是 UTF-8 编码的，XML 仅包含完全有效的十六进制实体 - 即使以 UTF-8 格式！

您已经注意到我在这里开始挑剔，但请记住： UTF-8 是 XML 的默认编码。

如果您现在开始说：嘿等等，如果默认编码无论如何都是 UTF-8，为什么 PHP DOMDocument 首先使用实体​​？

事实是，它与问题中的发现并不矛盾。并非总是。

请参阅以下示例，该示例使用 XML 注释而不是包含 Ivrit 字母的节点值：

$dom = new DOMDocument();
$dom->loadXml('<root><!-- ירושלים --></root>');
$dom->save('php://output');

输出：

<?xml version="1.0"?>
<root><!-- ירושלים --></root>

好的，都清楚了吗？因此，这里肮脏的小秘密是：无论您是否拥有这些 XML 实体，对于文档来说都没有什么区别，它只是编写相同 XML 字符数据的不同形式。您已经感受到了邀请：让我们尝试 CDATA 来代替第一个示例：

$dom = new DOMDocument();
$dom->loadXML("<root><![CDATA[ירושלים]]></root>");
$dom->save('php://output');

输出：

<?xml version="1.0"?>
<root><![CDATA[ירושלים]]></root>

正如前面的 XML 注释示例所示，这里没有使用 XML 实体。好吧，它们无论如何都不会有效，就像 XML 注释示例一样。

作为概述，让我们创建一个包含所有这些内容的示例：

$dom = new DOMDocument();
$dom->loadXML("<!-- ירושלים --><root>ירושלים <![CDATA[ירושלים]]></root>");
$dom->save('php://output');

输出：

<?xml version="1.0"?>
<!-- ירושלים -->
<root>ירושלים <![CDATA[ירושלים]]></root>

经验教训：

• 始终使用 UTF-8。除非指定 UTF-8 编码，否则 PCDATA 中仅使用一些实体。 如果指定了与 UTF-8 不同的编码，则应用不同的规则。
• 您无法通过在 PHP DOMDocument 本身中加载 XML 文档作为 UTF-8 编码字符串来指定是否要使用实体进行输出。即使使用 libxml 标志 也不提供 BOM。 ^[1]
• 您可以通过将文档编码设置为 UTF-8 来指定不想使用实体。
• 如果可以的话，您可以操作具有 XML 声明的输入字符串，指定文档编码如戈登的答案中所述。

提示：如果您的字符串有一个与字符串编码不匹配的 XML 声明，或者您想在加载之前更改两者中的任何一个将字符串转换为 DOMDocument 您需要更改 XML 声明和/或重新编码字符串。这已在问题的答案中进行了介绍PHP XMLReader，通过显示 XMLRecoder 如何获取版本和编码 类 有效。

希望就是这样。

---

^[1] 可能如果您从 HTTP 请求加载并提供流上下文并通过元数据标记字符编码 - 但这应该首先进行测试，我不知道。 BOM 不起作用在某种程度上表明所有这些东西都不起作用。

Answer 3

显然，将 documentElement 作为 $node 传递给 saveXML 可以解决此问题，尽管我不能说我理解原因。

例如，

$dom->saveXML($dom->documentElement);

而不是：

$dom->saveXML();

来源：http://www.php.net/手册/en/domdocument.savexml.php#88525

Answer 4

就这一点而言，答案是：

当您的函数启动时，在获得内容后，执行以下操作：

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

然后启动新文档等。以示例为例：

if ( empty( $content ) ) {
    return false;
}
$doc = new DOMDocument('1.0', 'utf-8');
libxml_use_internal_errors(true);
$doc->LoadHTML($content, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);

然后执行您打算对代码执行的任何操作。

Answer 5

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

// dirty fix
foreach ($doc->childNodes as $item)
  if ($item->nodeType == XML_PI_NODE)
    $doc->removeChild($item); // remove hack
$doc->encoding = 'UTF-8'; // insert proper

Answer 6

当我创建用于写入的 DOMDocument 时，我添加了以下参数：

dom = new DOMDocument('1.0','utf-8');

这些参数导致 UTF-8 字符串按原样写入。