php - texto - ¿Por qué DOM cambia la codificación?

string strip_tags

Question

$string = file_get_contents(''http://example.com'');

if (''UTF-8'' === mb_detect_encoding($string)) {
    $dom = new DOMDocument();
    // hack to preserve UTF-8 characters
    $dom->loadHTML(''<?xml encoding="UTF-8">'' . $string);
    $dom->preserveWhiteSpace = false;
    $dom->encoding = ''UTF-8'';
    $body = $dom->getElementsByTagName(''body'');
    echo htmlspecialchars($body->item(0)->nodeValue);
}

Esto cambia todos los caracteres UTF-8 a Å, ¾, ¤ y otros desperdicios. ¿Hay alguna otra manera de preservar los caracteres UTF-8?

No publique respuestas diciéndome que me asegure de que lo estoy emitiendo como UTF-8, me aseguré de que lo esté.

Gracias por adelantado :)

Answer 1

En caso de que definitivamente sea el DOM el que arruine la codificación, este truco lo hizo para mí hace un tiempo al revés (aceptando los datos ISO-8859-1). DOMDocument debería ser UTF-8 por defecto en cualquier caso, pero aún puede intentarlo:

    $dom = new DOMDocument(''1.0'', ''utf-8'');

Answer 2

En la parte superior de la secuencia de comandos donde se encuentra su código php (el código que publicó aquí), asegúrese de enviar un encabezado utf-8. Apuesto a que su codificación es una variante de latin1 en este momento. Sí, sé que la página web remota es utf8, pero este script php no lo es.

Answer 3

Recientemente tuve problemas similares y, finalmente, encontré esta solución: convierta todos los caracteres que no sean ASCII a entidades HTML antes de cargar el HTML.

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

Answer 4

Tuve que agregar un encabezado utf8 para obtener la vista correcta:

header(''Content-Type: text/html; charset=utf-8'');