php - 为什么 DOM 会改变编码？

Question

$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留 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:)

Answer 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);