PHP DOMDocument loadHTML, UTF-8'i doğru kodlamıyor

Ben DOMDocument kullanarak bazı HTML ayrıştırmak için çalışıyorum, ama bunu yaptığımda aniden kodumu (en azından bana böyle görünüyor) kaybederim.

$profile = "<div><p>various japanese characters</p></div>";
$dom = new DOMDocument();
$dom->loadHTML($profile); 

$divs = $dom->getElementsByTagName('div');

foreach ($divs as $div) {
    echo $dom->saveHTML($div);
}

Bu kod sonucu Japonca olmayan bir sürü karakter elde olmasıdır. Ancak, eğer:

echo $profile;

doğru bir şekilde görüntülenir. SaveHTML ve saveXML'yi denedim ve ikisi de doğru görüntülenmedi. PHP 5.3 kullanıyorum.

Ne görüyorum:

ã¤ãªãã¤å·ã·ã«ã´ã«ã¦ãã¢ã¤ã«ã©ã³ãç³»ã®å®¶åº­ã«ã9人åå¼ã®5çªç®ã¨ãã¦çã¾ãããå½¼ãå«ãã¦4人ã俳åªã«ãªã£ããç¶è¦ªã¯æ¨æã®ã»ã¼ã«ã¹ãã³ã§ãæ¯è¦ªã¯éµä¾¿å±ã®å®¢å®¤ä¿ã ã£ããé«æ ¡æ代ã¯ã­ã£ãã£ã®ã¢ã«ãã¤ãã«å¤ãã¿ãæè²è³éãåããªããã«ããªãã¯ç³»ã®é«æ ¡ã¸é²å­¦ã

Ne gösterilmelidir:

イリノイ州シカゴにて、アイルランド系の家庭に、9人兄弟の5番目として生まれる。彼を含めて4人が俳優になった。父親は木材のセールスマンで、母親は郵便局の客室係だった。高校時代はキャディのアルバイトに勤しみ、教育資金を受けながらカトリック系の高校へ進学

EDIT: Kodu kendiniz test edebilmek için beş satıra kadar basitleştirdim.

$profile = "<div lang=ja><p>イリノイ州シカゴにて、アイルランド系の家庭に、</p></div>";
$dom = new DOMDocument();
$dom->loadHTML($profile);
echo $dom->saveHTML();
echo $profile;

İşte döndürülen html:

<div lang="ja"><p>イリノイ州シカゴã«ã¦ã€ã‚¢ã‚¤ãƒ«ãƒ©ãƒ³ãƒ‰ç³»ã®å®¶åº­ã«ã€</p></div>
<div lang="ja"><p>イリノイ州シカゴにて、アイルランド系の家庭に、</p></div>

DOMDocument::loadHTMLaksi belirtilmedikçe dizenizi ISO-8859-1'deki gibi ele alacaktır. Bu UTF-8 dizelerinin yanlış yorumlanmasına neden olur.

Dizeniz bir XML kodlama bildirimi içermiyorsa, dizenin UTF-8 olarak değerlendirilmesini sağlamak için bir tane ekleyebilirsiniz.

$profile = '<p>イリノイ州シカゴにて、アイルランド系の家庭に、9</p>';
$dom = new DOMDocument();
$dom->loadHTML('<?xml encoding="utf-8" ?>' . $profile);
echo $dom->saveHTML();

Dizenin zaten böyle bir bildirim içerip içermeyeceğini bilmiyorsanız, SmartDOMDocument'te size yardımcı olacak bir geçici çözüm vardır :

$profile = '<p>イリノイ州シカゴにて、アイルランド系の家庭に、9</p>';
$dom = new DOMDocument();
$dom->loadHTML(mb_convert_encoding($profile, 'HTML-ENTITIES', 'UTF-8'));
echo $dom->saveHTML();

Bu harika bir çözüm değil, ancak tüm karakterler ISO-8859-1'de (bu katana gibi) temsil edilemediğinden, en güvenli alternatif.

Sorunun nedeni saveHTML()ve saveXML()her ikisi de Unix düzgün çalışmaz. Unix'te kullanıldığında UTF-8 karakterlerini doğru kaydetmezler, ancak Windows'ta çalışırlar.

Çözüm çok basit:

Varsayılanı denerseniz, açıkladığınız hatayı alırsınız

$str = $dom->saveHTML(); // saves incorrectly

Tek yapmanız gereken aşağıdaki gibi kaydetmek:

$str = $dom->saveHTML($dom->documentElement); // saves correctly

Bu kod satırı, UTF-8 karakterlerinizin doğru şekilde kaydedilmesini sağlar. Kullanıyorsanız aynı çözümü kullanın saveXML().

Güncelleme

Aşağıdaki yorumlar bölümünde " Jack M " tarafından önerildiği ve " Pamela " ve " Marco Aurélio Deleu " tarafından doğrulandığı gibi, aşağıdaki varyasyon sizin durumunuzda işe yarayabilir:

$str = utf8_decode($dom->saveHTML($dom->documentElement));

Not

1. saveHTML()Parametresiz kullandığınızda İngilizce karakterler herhangi bir soruna neden olmaz (çünkü İngilizce karakterler UTF-8'de tek bayt karakterler olarak kaydedilir)

2. Sorun, çok baytlı karakterleriniz (Çince, Rusça, Arapça, İbranice, vb.)

Bu makaleyi okumanızı tavsiye ederim: http://coding.smashingmagazine.com/2012/06/06/all-about-unicode-utf8-character-sets/ . UTF-8'in nasıl çalıştığını ve neden bu sorunu yaşadığınızı anlayacaksınız. Yaklaşık 30 dakika sürecek, ancak iyi harcanan zaman.

Gerçek kaynak dosyanın UTF-8 olarak kaydedildiğinden emin olun (Emin olmak için tavsiye edilmeyen BOM Listelerini UTF-8 ile denemek isteyebilirsiniz).

Ayrıca HTML durumunda, metaetiketleri kullanarak doğru kodlamayı bildirdiğinizden emin olun :

<meta http-equiv="Content-Type" content="text/html; charset=utf-8">

Bu bir CMS ise (sorunuzu Joomla ile etiketlediğiniz gibi) kodlama için uygun ayarları yapılandırmanız gerekebilir.

Şunun utf-8gibi bir satır uygulayan kodlamanın önekini ekleyebilirsiniz :

@$doc->loadHTML('<?xml version="1.0" encoding="UTF-8"?>' . "\n" . $profile);

Daha sonra, sahip olduğunuz kodla devam edebilirsiniz, örneğin:

$doc->saveXML()

Anlamak biraz zaman aldı ama işte cevabım.

DomDocument'i kullanmadan önce, url'leri almak ve sonra dize işlevleriyle işlemek için file_get_contents kullanacağım. Belki de en iyi yol değil ama hızlı. Dom'un o kadar hızlı olduğuna ikna olduktan sonra ilk olarak aşağıdakileri denedim:

$dom = new DomDocument('1.0', 'UTF-8');
if ($dom->loadHTMLFile($url) == false) { // read the url
    // error message
}
else {
    // process
}

Bu, uygun meta etiketlere, php ayarlarına ve burada ve başka yerlerde sunulan tüm çözümlere rağmen UTF-8 kodlamasını korumada muhteşem bir şekilde başarısız oldu. İşte işe yarayan:

$dom = new DomDocument('1.0', 'UTF-8');
$str = file_get_contents($url);
if ($dom->loadHTML(mb_convert_encoding($str, 'HTML-ENTITIES', 'UTF-8')) == false) {
}

Şimdi dünya ile ilgili herşey yolunda. Bu yardımcı olur umarım.

DOMDocument'i HTML'nizin bir sürümünü anlamlı bir başlıkla beslemelisiniz. Tıpkı HTML5 gibi.

$profile ='<?xml version="1.0" encoding="'.$_encoding.'"?>'. $html;

belki html'nizi olabildiğince geçerli tutmak için iyi bir fikirdir, bu yüzden sorgu başlattığınızda ... etrafta :-) ve uzak durduğunuzda sorunlara girmezsiniz htmlentities!!!! Bu gerekli bir ileri geri israf kaynağıdır. kodunuzu deli tutmak !!!!

Bir manjaro üzerinde php 7.3.8 kullanıyorum ve Farsça içerikle çalışıyordum. Bu benim sorunumu çözdü:

$html = 'hi</b><p>سلام<div>の家庭に、9 ☆';
$doc = new DOMDocument('1.0', 'UTF-8');
$doc->loadHTML(mb_convert_encoding($html, 'HTML-ENTITIES', 'UTF-8'));
print $doc->saveHTML($doc->documentElement) . PHP_EOL . PHP_EOL;

Benim için çalışır:

$dom = new \DOMDocument;
$dom->loadHTML(utf8_decode($html));
...
return  utf8_encode( $dom->saveHTML());

Doğru sonuç için kullanın

$dom = new DOMDocument();
$dom->loadHTML('<meta http-equiv="Content-Type" content="text/html; charset=utf-8">' . $profile);
echo $dom->saveHTML();
echo $profile;

Bu operasyon

mb_convert_encoding($profile, 'HTML-ENTITIES', 'UTF-8');

Kötü bir yoldur, çünkü & lt; , & gt; $ profilinde olabilir ve mb_convert_encoding öğesinden sonra iki kez dönüştürülmez. XSS ve yanlış HTML için delik.

Benim için işe yarayan tek şey kabul edilen cevaptı

$profile = '<p>イリノイ州シカゴにて、アイルランド系の家庭に、9</p>';
$dom = new DOMDocument();
$dom->loadHTML('<?xml encoding="utf-8" ?>' . $profile);
echo $dom->saveHTML();

ANCAK

Bu <?xml encoding="utf-8" ?>da belgenin çıktısında yeni sorunlar yarattı.

O zaman benim için çözüm

foreach ($doc->childNodes as $xx) {
    if ($xx instanceof \DOMProcessingInstruction) {
        $xx->parentNode->removeChild($xx);
    }
}

Bazı çözümler bana xmlüstbilgiyi kaldırmam gerektiğini söyledi.

$dom->saveXML($dom->documentElement);

Bu, kısmi bir belgede olduğu gibi benim için işe yaramadı (örneğin, iki <p>etiketi olan bir belge ), yalnızca <p>iade edilen etiketlerden biri .

Sorun, DOMDocument :: saveHTML () işlevine parametre eklediğinizde kodlamayı kaybetmenizdir. Bazı durumlarda, parametrenin kullanımından kaçınmanız ve aradığınızı bulmak için eski dize işlevini kullanmanız gerekir.

Önceki yanıtın sizin için işe yaradığını düşünüyorum, ancak bu geçici çözüm benim için işe yaramadığından, bu yanıtı benim durumumda kim olabilir yardım etmek için ekliyorum.

Ayrıca aşağıdaki gibi kodlayabilir .... https://davidwalsh.name/domdocument-utf8-problem adresinden toplandı

$profile = '<p>イリノイ州シカゴにて、アイルランド系の家庭に、9</p>';
$dom = new DOMDocument();
$dom->loadHTML(mb_convert_encoding($profile, 'HTML-ENTITIES', 'UTF-8'));
echo $dom->saveHTML();