为什么 DOM 会改变编码？答案

【问题标题】：Why Does DOM Change Encoding?为什么 DOM 会改变编码？
【发布时间】：2011-01-15 06:22:22
【问题描述】：

$string = file_get_contents('http://example.com');

if ('UTF-8' === mb_detect_encoding($string)) {
    $dom = new DOMDocument();
    // hack to preserve UTF-8 characters
    $dom->loadHTML('<?xml encoding="UTF-8">' . $string);
    $dom->preserveWhiteSpace = false;
    $dom->encoding = 'UTF-8';
    $body = $dom->getElementsByTagName('body');
    echo htmlspecialchars($body->item(0)->nodeValue);
}

这会将所有 UTF-8 字符更改为 Å、¾、¤ 和其他垃圾。有没有其他方法可以保存 UTF-8 字符？

不要发布答案告诉我确保我将其输出为 UTF-8，我确定我是。

提前致谢:)

【问题讨论】：

数据（$string）从何而来？
我已经更新了我的问题:)
您能否提供一个指向您使用 file_get_contents() 获取的 URL 的链接？正如我在另一个问题中所说，我怀疑您正在获取 ISO-8859-1 或其他一些数据，当以 UTF-8 输出时，这些数据必须出现乱码。我不会依赖 mb_detect_encoding()。
好的，这里是链接：futbalvsfz.sk/sutaze/sezona-2009-2010/dospeli/5.liga-jz
好吧，我相信 :) 这真的很奇怪。但是，htmlspecialchars() 的默认编码是 iso-8859-1。你能把它改成UTF吗？它不应该改变任何东西，只是为了确定。 de3.php.net/htmlspecialchars

标签： php dom utf-8

【解决方案1】：

我最近遇到了类似的问题，最终找到了这个解决方法-在加载html之前将所有非ascii字符转换为html实体

$string = mb_convert_encoding($string, 'HTML-ENTITIES', "UTF-8");
$dom->loadHTML($string);

【讨论】：

这是一个很好的解决方法，但是找出为什么你的生产服务器的 DOM 首先会破坏 UTF8 仍然很有趣。如果有的话，也许可以问管理员。
我是管理员 :D 我不知道。我正在使用一个非常常见的 Debian 5.0 Lenny 设置。也许这是一些安全“功能”？
此外，我使用的是来自官方存储库的 Debian 的默认 php5 包，所以它是默认安装和默认设置。我没有更改任何默认设置，我只是为我的应用程序添加了一些我需要的扩展，例如 ioncube、imagick、gd、curl（我认为这就是全部）。
@Pekka loadHtml() 对我来说也不适用于 UTF-8（仅 loadXml()，但是它不适用于文档片段 - loadXml() 需要正确格式化的文档而不是加载HTML（））。我的 libxml 版本是 2.6.32（匈牙利语 Windows XP SP3）。
这也适用于传递 mysql utf-8 内容以提取 php 函数。我在传递给 dompdf 的 mysql 数据时遇到问题，这就是解决方法。非常感谢！

【解决方案2】：

如果肯定是 DOM 搞砸了编码，这个技巧对我来说正好相反（接受 ISO-8859-1 数据）。在任何情况下，DOMDocument 应该默认为 UTF-8，但您仍然可以尝试：

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

【讨论】：

这无济于事，但 andrewmabbott 已经解决了我的问题 - 检查他的答案 ;)

【解决方案3】：

我必须添加一个 utf8 标头才能获得正确的视图：

header('Content-Type: text/html; charset=utf-8');

【讨论】：

【解决方案4】：

在您的 php 代码所在的脚本顶部（您在此处发布的代码），确保您发送一个 utf-8 标头。我敢打赌，您的编码现在是 latin1 的某种变体。是的，我知道远程网页是 utf8，但是这个 php 脚本不是。

【讨论】：