如何强制XPath使用UTF8？

Question

如何强制XPath使用UTF8？

我有一个XHTML文档通过Greasemonkey AJAX传递给PHP应用程序.PHP应用程序使用UTF8.如果我将POST内容直接输回到AJAX接收div中的textarea,则所有内容仍然以UTF8正确编码.

当我尝试使用XPath进行解析时

$dom = new DOMDocument();
$dom->loadHTML($raw2);
$xpath = new DOMXPath($dom);
$query = '//td/text()';
$nodes = $xpath->query($query);
foreach($nodes as $node) {
  var_dump($node->wholeText);
}

Run Code Online (Sandbox Code Playgroud)

倾销的字符串不是utf8.如何强制DOM/XPath使用UTF8？

Answer 1

Luc*_*cia 31

我有同样的问题,我无法在我的网络服务器中使用整洁.我找到了这个解决方案,它运行良好:

$html = mb_convert_encoding($html, 'HTML-ENTITIES', "UTF-8");
$dom = new DomDocument();
$dom->loadHTML($html);

一年多来，我一直在为此而断断续续地挣扎。非常感谢你做的这些。我尝试了无数不起作用的东西：包括特殊的类、头文件、元数据、php.ini、xml utf-8 hacks 等等，除了这个，对我的特定问题没有任何作用。 (2认同)

Answer 2

小智 7

游戏有点晚了，但也许它对某人有帮助......

\n\n

问题可能出在输出中，而不是 dom/xpath 对象本身。

\n\n

如果直接输出 nodeValue，则会得到损坏的字符，例如：

\n\n

\xc3\x83\xc2\xac\xc3\x82\xc3\x82\xc3\x83\xc2\xac\xc3\x82\xc3\x82 \xc3\x83\xc2\xab\xc3\x82\xc2\xb9\xc3\x82\xc3\x83\xc2\xab\xc3\x82\xe2\x80\x9d\xc3\x82\xe2\x80\x9d\xc3\x83\xc2\xac\xc3\x82\xc3\x82\xc2\xa4\n\xc3\xac\xc3\xac \xc3\xab\xc2\xb9\xc3\xab\xe2\x80\x9d\xe2\x80\x9d\xc3\xac\xc2\xa4 \xc3\xad\xc2\xb0\xc3\xac  \xc3\xad\xc3\xac\xc2\xa4\n

Run Code Online (Sandbox Code Playgroud)\n\n

你必须使用第二个参数“utf-8”加载你的dom对象，new \\DomDocument(\'1.0\', \'utf-8\')但是当您打印 dom 节点列表/元素值时，您仍然会得到损坏的字符：

\n\n

echo $contentItem->item($index)->nodeValue

\n\n

你必须用 utf8_decode 来包装它：

\n\n

echo utf8_decode($contentItem->item($index)->nodeValue)\n//output: \xe8\x80\x85\xe4\xb8\x8d\xe7\xb5\x82\xe6\x9c\x9d\xe8\x80\x8c\xe6\x9c\x83\xef\xbc\x8c\xe6\x84\x9a\xe8\x80\x85\xe5\x8f\xaf\xe6\xb5\xb9\xe6\x97\xac\xe8\x80\x8c\xe5\xad\xb8\n

\n

Answer 3

Vol*_*erK 4

如果它是一个完全成熟的有效 xhtml 文档，则不应使用 loadhtml()，而应使用 load()/loadxml()。

\n\n

给出示例 xhtml 文档

\n\n

<?xml version="1.0" encoding="utf-8"?>\n<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN"\n  "http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">\n<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en">\n    <head>\n        <title>xhtml test</title>\n    </head>\n    <body>\n        <h1>A Table</h1>\n        <table>\n            <tr><th>A</th><th>O</th><th>U</th></tr>\n            <tr><td>\xc3\x84</td><td>\xc3\x96</td><td>\xc3\x9c</td></tr>\n            <tr><td>\xc3\xa4</td><td>\xc3\xb6</td><td>\xc3\xbc</td></tr>\n        </table>\n    </body>\n</html>\n

Run Code Online (Sandbox Code Playgroud)\n\n

剧本

\n\n

<?php\n$raw2 = \'test.html\';\n\n$dom = new DOMDocument();\n$dom->load($raw2);\n$xpath = new DOMXPath($dom);\nvar_dump($xpath->registerNamespace(\'h\', \'http://www.w3.org/1999/xhtml\'));\n$query = \'//h:td/text()\';\n$nodes = $xpath->query($query);\nforeach($nodes as $node) {\n    foo($node->wholeText);\n}\n\n\nfunction foo($s) {\n    for($i=0; $i<strlen($s); $i++) {\n        printf(\'%02X \', ord($s[$i]));\n    }\n    echo "\\n";\n}\n

Run Code Online (Sandbox Code Playgroud)\n\n

印刷

\n\n

bool(true)\nC3 84 \nC3 96 \nC3 9C \nC3 A4 \nC3 B6 \nC3 BC \n

Run Code Online (Sandbox Code Playgroud)\n\n

即输出/字符串是 utf-8 编码的

\n

归档时间：	16 年，9 月前
查看次数：	10596 次
最近记录：	9 年，8 月前