php - 为什么 PHP DOMDocument loadHTML 对波斯字符不起作用？

Question

Here is my code :

<?php

$data = <<<DATA
<div>
    <p>سلام</p>                                         // focus on this line
    <p class="myclass">Remove this one</p>
    <p>But keep this</p>
    <div style="color: red">and this</div>
    <div style="color: red">and <p>also</p> this</div>
    <div style="color: red">and this <div style="color: red">too</div></div>
</div>
DATA;

$dom = new DOMDocument();
$dom->loadHTML(mb_convert_encoding($data, 'HTML-ENTITIES', 'UTF-8'), LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
$xpath = new DOMXPath($dom);

foreach ($xpath->query("//*[@*]") as $node) {
    $parent = $node->parentNode;
    while ($node->hasChildNodes()) {
        $parent->insertBefore($node->lastChild, $node->nextSibling);
    }
    $parent->removeChild($node);
}

echo $dom->saveHTML();

正如我在问题标题中提到的，我网站的内容是波斯语(不是英语)。但是代码 about 不适用于波斯字符。
当前输出:

.
.
    <p>&#1587;&#1604;&#1575;&#1605;</p>
.
.

预期输出:

.
.
    <p>سلام</p>
.
.

它有什么问题，我该如何解决？
注:同样如您所见，我使用过 mb_convert_encoding($data, 'HTML-ENTITIES', 'UTF-8')使其正确(基于 this answer )但仍然不起作用。

Answer 1

波斯字符被编码为数字字符引用。它们会适本地出现在浏览器中，或者您可以通过使用 html_entity_decode() 对它们进行解码来查看原始文件。 ，例如:

echo html_entity_decode("سلام");

输出:

سلام

如果您更喜欢输出中的原始字符而不是数字字符引用，您可以更改:

echo $dom->saveHTML();

到:

echo $dom->saveHTML($dom->documentElement);

这稍微改变了序列化，结果是:

<div>
    <p>سلام</p>
    Remove this one
    <p>But keep this</p>
    and this
    and <p>also</p> this
    and this too
</div>

Example.