為什麼 DOMDocument 在載入 HTML 時無法正確處理 UTF-8 字元？
- Mary-Kate Olsen原創
- 2024-11-04 10:12:30447瀏覽
DOMDocument 無法處理UTF-8 字元
在Web 伺服器使用UTF-8 編碼傳輸回應的情況下，所有檔案同樣以UTF -8 儲存，並且所有相關設定都已配置為UTF-8 編碼，則會出現問題。旨在驗證輸出功能的測試程序表現出不規則行為。
執行程序後，輸出呈現如下：
<!DOCTYPE html>
<html><head><meta charset="utf-8"><title>Test!</title></head><body>
<h1>☆ Hello ☆ World ☆</h1>
</body></html>
，呈現為：
< ;h1>☆ 你好↑ 世界↑
節目：
<code class="php">$html = <<<HTML
<!doctype html>
<html>
<head>
<meta charset="utf-8">
<title>Test!</title>
</head>
<body>
<h1>☆ Hello ☆ World ☆</h1>
</body>
</html>
HTML;
$dom = new DOMDocument("1.0", "utf-8");
$dom->loadHTML($html);
header("Content-Type: text/html; charset=utf-8");
echo($dom->saveHTML());</code>
原因
根本原因是DOMDocument::loadHTML() 預期HTML 格式的字串。 HTML 本質上使用 ISO-8859-1（ISO 拉丁字母 1）作為其預設字元編碼。因此，當為 HTML 4.0 設計的 HTML 解析器遇到超過此編碼的字元時，它可能會表現出不可預測的行為。
解決方案
將非ASCII 字元轉換為實體
要修正此問題，所有ASCII 範圍(127 / h7F) 以外的字元都應轉換為HTML 實體。此過程可以使用mb_convert_encoding 和HTML-ENTITIES 目標編碼來實現：
<code class="php">$html = mb_convert_encoding($html, "HTML-ENTITIES", "UTF-8");</code>
新增內容類型元標記
或者，可以透過以下方式解決該問題合併一個標記到文件本身，將字元集指定為UTF-8：
<code class="html"><meta http-equiv="content-type" content="text/html; charset=utf-8"></code>
此方法充當DOMDocument 的提示，強制其將輸入解釋為UTF-8 編碼。即使位於
之外，部分，HTML 2.0 規範規定此類元素將在標頭內自動重新定位。以上是為什麼 DOMDocument 在載入 HTML 時無法正確處理 UTF-8 字元？的詳細內容。更多資訊請關注PHP中文網其他相關文章！
陳述：
本文內容由網友自願投稿，版權歸原作者所有。本站不承擔相應的法律責任。如發現涉嫌抄襲或侵權的內容，請聯絡admin@php.cn