PHP DOMDocument 日语字符编码问题

Question

我有一个文件叫做:ニューヨーク・ヤンキース-チケット-200x225.jpg

我能够用我的 PHP 代码成功地做到这一点:

    if (file_exists(ABSPATH . 'ニューヨーク・ヤンキース-チケット-200x225.jpg')) {
    echo 'yes';
}

但是，当我使用 DOMDocument 解析我的内容时，相同的字符串返回为:ãã¥ã¼ã¨ã¼ã¯ã»ã¤ã³ãã¼ã¹-ãã±ãã-200x225.jpg

如何使用以下代码防止这种情况发生？我们的应用程序是国际化的，因此我们需要容纳所有 utf-8 字符:

$dom = new DOMDocument();
$dom->encoding = 'utf-8';
$dom->loadHTML($content);
$images = $dom->getElementsByTagName('img');

foreach ($images as $image) {
    if( $image->hasAttribute('srcset') ) continue;
    echo $initImgSrc = $image->getAttribute('src');
    if (!preg_match('/[_-]\d+x\d+(?=\.[a-z]{3,4}$)/', $initImgSrc)) continue;

    $newImgSrc = preg_replace('/[_-]\d+x\d+(?=\.[a-z]{3,4}$)/', '', $initImgSrc);
    if (strpos($newImgSrc, '/') === 0) {
        $newImgPath = str_replace( '/wp-content', ABSPATH . 'wp-content', $newImgSrc);
    } else {
        $newImgPath = str_replace( get_home_url(), ABSPATH, $newImgSrc);
    }
    if (!file_exists($newImgPath)) continue;
    echo 'yes';
    $dom->saveXML($image);

    $oldSrc = 'src="' . $initImgSrc . '"';
    $newDataSrcSet = $initImgSrc . ' 1x, ' . $newImgSrc . ' 2x';
    $newSrcWithSrcSet = $oldSrc . ' srcset="' . $newDataSrcSet .'"';
    $content  = str_replace( $oldSrc, $newSrcWithSrcSet, $content );
}
return $content;

此代码正常工作，只是不适用于日文字符。任何帮助将不胜感激

Answer 1

DOMDocument::loadHTML 会将您的字符串视为 ISO-8859-1，除非您另有说明。这会导致 UTF-8 字符串被错误解释。

如果您的字符串不包含 XML 编码声明，您可以在前面添加一个以使该字符串被视为 UTF-8:

$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();

如果您不知道字符串是否已经包含这样的声明，SmartDOMDocument 中有一个解决方法这应该可以帮助你:

$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();

这不是一个很好的解决方法，但由于并非所有字符都可以在 ISO-8859-1 中表示(例如这些武士刀)，因此它是最安全的替代方法。

从这里复制的答案:PHP DOMDocument loadHTML not encoding UTF-8 correctly