PHP DOMDocument nodeValue 转储文字 UTF-8 字符而不是编码字符

Question

我遇到了类似于 此问题问题：

nodeValue 来自DomDocument 在 PHP 中返回奇怪的字符

我发现的根本原因可以用 mb_convert_encoding() 来模仿

在我的单元测试中，这终于解决了问题：

$test = mb_convert_encoding('é', "UTF-8");
$this->assertTrue(mb_check_encoding($test,'UTF-8'),'data is UTF-8');
$this->assertTrue($this->rw->checkEncoding($test,'UTF-8'),'data is UTF-8');
$this->assertIdentical($test,html_entity_decode('é',ENT_QUOTES,'UTF-8'),'values match');

UTF-8 数据的原始值似乎正在过来，并且运行 PHP 的系统的基本代码页很可能不是 UTF-8。

一直到解析（使用转储到 DOMDocument 的 HTML5lib 实现），字符串都保持干净、UTF-8 友好。仅在使用提取数据时

$span->nodeValue

我才发现编码稳定性失败。

我的猜测是，用于 domdocument 导出到 nodeValue 的 htmlentities 使用编码转换器，但忽略内联编码值。

鉴于我的问题与 HTML5 相关，我认为这与实施的新颖性直接相关，但它似乎是一个更广泛的问题。除了开头提到的问题之外，我无法通过搜索找到有关此问题的任何特定于 DOMDocument 的信息。

更新

以前进的名义，我已从 HTML5lib 和 DOMDocument 切换到 Simple HTML DOM，它导出干净转义的 html，然后我可以将其解析回正确的 UTF-8 实体。

另外，我没有尝试过的一个功能是

utf8_decode

，这可能是其他遇到此问题的人的解决方案。它解决了我在使用 AJAX/PHP 时遇到的相关问题，解决方案在 2009 年的这篇博客文章中找到：克服 AJaX UTF-8 编码限制（在 PHP 中）

Answer 1

刚刚在 nodeValue 上使用 utf8_decode ，它确实有点工作，但有特殊字符无法正确显示的问题。

但是，某些字符仍然存在问题，例如简单的引号 ' 和其他一些字符（例如），

因此使用 $element->nodeValue 将不起作用，但 utf8_decode($element->nodeValue) 会部分起作用。

Answer 2

函数 utf8_decode 和 utf8_encode 的命名不太好。它们实际上从 utf-8 转换为 iso-8859-1 以及从 iso-8859-1 转换为 utf-8代码> 分别。

仅使用 utf-8 作为参数调用 mb_convert_encoding 时，通常与使用函数 utf8_encode 类似。 （通常除非您更改了内部代码页，但您可能 - 希望 - 没有更改）。

大多数 PHP 函数都期望字符串采用 iso-8859-1 编码。然而，libxml（php 的 xml 解析库的底层库）期望字符串为 utf-8。因此，如果你不小心的话，你很容易会得到损坏的编码。

至于你的测试，第一行可能是欺骗性的。由于您的脚本中有一个文字 é，因此测试将根据您保存文件的编码而变化。请检查您的文本编辑器。

希望能澄清一点。