DOMDocument 和 HTML 实体

Question

我正在尝试解析一些包含一些 HTML 实体的 HTML，例如 ×，

$str = '<a href="http://example.com/"> A &#215; B</a>';

$dom = new DomDocument;
$dom -> substituteEntities = false;
$dom ->loadHTML($str);

$link = $dom ->getElementsByTagName('a') -> item(0);
$fullname = $link -> nodeValue;
$href = $link -> getAttribute('href');

echo "
fullname: $fullname \n
href: $href\n";    

但 DomDocument 将文本替换为 A × B。

是否有某种方法可以阻止它采用 &对于一个 HTML 实体并让它不管它？我尝试将 ReplaceEntities 设置为 false 但它没有执行任何操作

Answer 1

这不是问题的直接答案，但您可以使用 UTF-8 代替，它允许您直接保存 ÷ 或 × 等字形。要将 UTF-8 与 PHP DOM 结合使用，需要一些技巧 。

另外，如果您想显示数学公式（如 A × B 所示），请查看 MathML 。

Answer 2

来自文档：

DOM 扩展使用 UTF-8 编码。
使用 utf8_encode() 和 utf8_decode() 处理 ISO-8859-1 编码中的文本，或使用 Iconv 处理其他编码。假设

您正在使用 latin-1 尝试：

<?php
header('Content-type:text/html;charset=iso-8859-1');


$str = utf8_encode('<a href="http://example.com/"> A × B</a>');

$dom = new DOMDocument;


$dom -> substituteEntities = false;
$dom ->loadHTML($str);

$link = $dom ->getElementsByTagName('a') -> item(0);
$fullname = utf8_decode($link -> nodeValue);
$href = $link -> getAttribute('href');

echo "
fullname: $fullname \n
href: $href\n";    ?>

Answer 3

您确定&吗？是否被替换为 &？如果是这种情况，您会看到确切的实体，作为文本，而不是您得到的乱码响应。

我的猜测是它被转换为实际的字符，并且您正在使用 latin1 字符集查看页面，该字符集不包含该字符，因此会出现乱码响应。

如果我呈现您的示例，我的输出是：

fullname:  A × B 

href: http://example.com/

在 latin1/iso-8859-1 中查看此示例时，我看到您所描述的输出。但是当我将字符集设置为UTF-8时，输出就很好。

Answer 4

我通过将 UTF-8 转换为带有 BOM 的 UTF-8 解决了实体损坏的问题。