PHP DOMDocument loadHTML 未正确编码 UTF-8

我正在尝试使用 DOMDocument 解析一些 HTML，但是当我这样做时，我突然丢失了我的编码（至少在我看来是这样）。

$profile = "<div><p>various japanese characters</p></div>";
$dom = new DOMDocument();
$dom->loadHTML($profile); 

$divs = $dom->getElementsByTagName('div');

foreach ($divs as $div) {
    echo $dom->saveHTML($div);
}

这段代码的结果是我得到了一堆非日语字符。但是，如果我这样做：

echo $profile;

它显示正确。我尝试过 saveHTML 和 saveXML，但都无法正确显示。我正在使用 PHP 5.3。

我所看到的：

ã¤ãªãã¤å·ã·ã«ã´ã«ã¦ãã¢ã¤ã«ã©ã³ãç³»ã®å®¶åº­ã«ã9人åå¼ã®5çªç®ã¨ãã¦çã¾ãããå½¼ãå«ãã¦4人ã俳åªã«ãªã£ããç¶è¦ªã¯æ¨æã®ã»ã¼ã«ã¹ãã³ã§ãæ¯è¦ªã¯éµä¾¿å±ã®å®¢å®¤ä¿ã ã£ããé«æ ¡æ代ã¯ã­ã£ãã£ã®ã¢ã«ãã¤ãã«å¤ãã¿ãæè²è³éãåããªããã«ããªãã¯ç³»ã®é«æ ¡ã¸é²å­¦ã

应该显示什么：

イリノイ州シカゴにて、アイルランド系の家庭に、9人兄弟の5番目として生まれる。彼を含めて4人が俳優になった。父親は木材のセールスマンで、母親は郵便局の客室係だった。高校時代はキャディのアルバイトに勤しみ、教育資金を受けながらカトリック系の高校へ進学

编辑：我已将代码简化为五行，以便您可以自己测试。

$profile = "<div lang=ja><p>イリノイ州シカゴにて、アイルランド系の家庭に、</p></div>";
$dom = new DOMDocument();
$dom->loadHTML($profile);
echo $dom->saveHTML();
echo $profile;

这是返回的 html：

<div lang="ja"><p>イリノイ州シカゴã«ã¦ã€ã‚¢ã‚¤ãƒ«ãƒ©ãƒ³ãƒ‰ç³»ã®å®¶åº­ã«ã€</p></div>
<div lang="ja"><p>イリノイ州シカゴにて、アイルランド系の家庭に、</p></div>

DOMDocument::loadHTML除非您另有说明，否则会将您的字符串视为 ISO-8859-1（HTTP/1.1 默认字符集）。这会导致 UTF-8 字符串被错误解释。

DOMDocument 使用 HTML4 解析器。如果您正在加载 HTML5，您可能需要查看替代解决方案 https://stackoverflow.com/questions/10712503/how-to-make-html5-work-with-domdocument.

如果您正在处理 (X)HTML 的简单片段，则可以在前面添加 XML 编码声明或元字符集声明，以使字符串被视为 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();

$dom->loadHTML('<meta charset="utf8">' . $profile);
echo $dom->saveHTML();

// The above versions will HTML-encode high-ASCII bytes.
// This version preserves the original characters
$contentType = '<meta http-equiv="Content-Type" content="text/html; charset=utf-8">';
$dom->loadHTML($contentType . $profile);
echo $dom->saveHTML();

如果您无法知道 HTML 是否已包含声明，可以使用以下解决方法智能DOM文档 http://beerpla.net/projects/smartdomdocument-a-smarter-php-domdocument-class/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();

在 PHP 8.2+ 中，您将收到弃用警告，因此替代方案是：

$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();
$dom->loadHTML(mb_encode_numericentity($profile, [0x80, 0x10FFFF, 0, ~0], 'UTF-8'));
echo $dom->saveHTML();

（为了更好地解释这个相当神秘的数组，请参阅here https://stackoverflow.com/questions/35854535/better-explanation-of-convmap-in-mb-encode-numericentity.)

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