为什么我不能摆脱这个 ？

Question

每一行都是一个字符串

 4 
 minutes 
 12
 minutes
 16
 minutes

我能够删除Â成功使用str_replace但不删除HTML实体.我发现了这个问题:如何删除html特殊字符？

但是preg_replace并没有完成这项工作.如何删除HTML实体和A？

编辑: 我想我应该早点说过:我正在使用DOMDocument::loadHTML()和DOMXpath. 编辑: 因为这似乎是一个编码问题,我应该说这实际上是所有单独的字符串.

Answer 1

好吧 - 我想我现在已经掌握了这个 - 我想扩展一些人们所遇到的编码错误:

这似乎是Mojibake的一个高级案例,但这是我认为正在发生的事情.MikeAinOz最初怀疑这是UTF-8数据可能是真的.如果我们采用以下UTF-8数据:

4 minutes

现在,删除HTML实体,并将其替换为实际对应的字符:U + 00A0.(这是一个不间断的空间,所以我不能完全"显示"你.你得到字符串:"4分钟".将其编码为UTF-8,你得到以下字节序列:

characters:  4  [nbsp]   m   i   n ...
bytes     : 34  C2  A0  6D  69  6E ...

(我使用上面的[nbsp]来表示一个字面不间断的空格(字符,不是HTML实体 ,而是代表的字符.它只是空格,因此很难.)请注意[nbsp]/U + 00A0(非中断空格)需要2个字节才能以UTF-8编码.

现在,从字节流回到可读文本,我们应该使用UTF-8进行解码,因为这就是我们编码的内容.让我们使用ISO-8859-1("latin1") - 如果你使用了错误的,那么这是几乎总是这样.

bytes     : 34  C2      A0  6D  69  6E ...
characters:  4   Â  [nbsp]   m   i   n ...

并将原始的非破坏空间切换为其HTML实体表示,并获得所拥有的内容.

所以,你的PHP东西要么在错误的字符集中解释你的文本,否则你需要告诉它,或者你在错误的字符集中以某种方式输出结果.更多代码在这里很有用 - 你在哪里获得传递给这个loadHTML的数据,以及你如何获得你所看到的输出？

一些背景:"字符编码"只是从一系列字符到一系列字节的一种方式.什么字节代表"é"？UTF-8说C3 A9,而ISO-8859-1说E9.要从一系列字节中恢复原始文本,我们必须知道我们用它编码的内容.如果我们解码C3 A9为UTF-8数据,我们得到"é",如果我们(错误地)将其解码为ISO-8859-1,我们得到"é".垃圾.在伪代码中:

utf8-decode ( utf8-encode ( text-data ) )           // OK
iso8859_1-decode ( iso8859_1-encode ( text-data ) ) // OK
iso8859_1-decode ( utf8-encode ( text-data ) )      // Fails
utf8-decode ( iso8859_1-encode ( text-data ) )      // Fails

这不是PHP代码,也不是你的修复......这只是问题的症结所在.在某个地方,大规模,正在发生,事情很困惑.