php - DOMDocument 中的 nodeValue 在 PHP 中返回奇怪的字符

Question

所以我尝试解析 HTML 页面并使用 <p> 查找段落( get_elements_by_tag_name('p'); )

问题是当我使用$element->nodeValue时，它返回奇怪的字符。该文档首先加载到 $html使用curl然后将其加载到DOMDocument中。

我确信这与字符集有关。

以下是响应示例:“aujourdà€™hui”。

提前致谢。

Answer 1

我遇到了同样的问题，现在注意到 loadHTML() 不再需要 2 个参数，所以我必须找到不同的解决方案。使用 DOM 库中的以下函数，我能够从 HTML 内容中删除时髦的字符。

private static function load_html($html)
{
    $doc = new DOMDocument;
    $doc->loadHTML('<?xml encoding="UTF-8">' . $html);

    foreach ($doc->childNodes as $node)
        if ($node->nodeType == XML_PI_NODE)
            $doc->removeChild($node);

    $doc->encoding = 'UTF-8';

    return $doc;
}