HTML 特殊字符：DOMDocument 中的 † 和 &Dagger

Question

我有一个 dom 文档，我想在其中添加一些特殊字符。

我要做的是首先用正则表达式检测字符串中的特殊字符。 为此，我正在使用

转换 html 上的 utf-8 字符

$string = "Test string 1,§,†,‡";
$string_html = htmlentities($string_html, ENT_QUOTES, "UTF-8");

这很好用，我快到了：

"Test string 1,§,†,‡"

现在，我只想获取特殊字符。我正在使用一个正则表达式，它返回一个数组：

[0] => '&sect';
[1] => '&dagger';
[2] => '&Dagger';

现在，我想将这些特殊字符附加到我的 dom 文档中，但使用 unicode。我正在尝试：

$string_utf8 = html_entity_decode($string_html);

$dom_output->createElement( 'string', utf8_encode($string_utf8));

结果如下：

§ 字符显示为 §，而 † 和 ‡ 保持不变。

知道为什么吗？

Answer 1

§ 的问题在于它位于 unicode 表中的位置 0xA7。但是，该特定字符被编码为两字节序列0xC2A7。您的输出被渲染为 ISO-8859-1 或类似的编码，导致这个 (0xC2) 出现在您想要的字符之前（因为巧合的是它具有相同的最后一个字节 - 它不需要，我经常看到 é 编码为é例如）

然而，匕首和双匕首在 unicode 表中更远：分别为 0x2020 和 0x2021。因此，在对它们进行编码时不会造成混淆。

我认为问题可能是由于 PHP 文件本身以单字节字符集编码引起的，而这正是导致 0xA7 出现问题的原因。确保你的 PHP 文件以正确的格式编码，否则它会对你的字符串做出错误的假设。