2

首先，我的数据库使用 Windows-1250 作为本机字符集。我将数据输出为 UTF-8。我在整个网站上都使用 iconv() 函数将 Windows-1250 字符串转换为 UTF-8 字符串，并且效果很好。

问题是当我使用 PHP DOM 解析存储在数据库中的一些 HTML 时（HTML 是所见即所得编辑器的输出并且无效，它没有 html、head、body 标记等）。

HTML 可能看起来像这样，例如：

<p>Hello</p>

这是我用来从数据库中解析某个 HTML 的方法：

 private function ParseSlideContent($slideContent)
 {
        var_dump(iconv('Windows-1250', 'UTF-8', $slideContent)); // this outputs the HTML ok with all special characters

  $doc = new DOMDocument('1.0', 'UTF-8');

  // hack to preserve UTF-8 characters
  $html = iconv('Windows-1250', 'UTF-8', $slideContent);
  $doc->loadHTML('<?xml encoding="UTF-8">' . $html);
  $doc->preserveWhiteSpace = false;

  foreach($doc->getElementsByTagName('img') as $t) {
   $path = trim($t->getAttribute('src'));
   $t->setAttribute('src', '/clientarea/utils/locate-image?path=' . urlencode($path));
  }
  foreach ($doc->getElementsByTagName('object') as $o) {
   foreach ($o->getElementsByTagName('param') as $p) {
    $path = trim($p->getAttribute('value'));
    $p->setAttribute('value', '/clientarea/utils/locate-flash?path=' . urlencode($path));
   }
  }
  foreach ($doc->getElementsByTagName('embed') as $e) {
   if (true === $e->hasAttribute('pluginspage')) {
    $path = trim($e->getAttribute('src'));
    $e->setAttribute('src', '/clientarea/utils/locate-flash?path=' . urlencode($path));
   } else {
    $path = end(explode('data/media/video/', trim($e->getAttribute('src'))));
    $path = 'data/media/video/' . $path;
    $path = '/clientarea/utils/locate-video?path=' . urlencode($path);
    $width = $e->getAttribute('width') . 'px';
    $height = $e->getAttribute('height') . 'px';
    $a = $doc->createElement('a', '');
    $a->setAttribute('href', $path);
    $a->setAttribute('style', "display:block;width:$width;height:$height;");
    $a->setAttribute('class', 'player');
    $e->parentNode->replaceChild($a, $e);
    $this->slideContainsVideo = true;
   }
  }

  $html = trim($doc->saveHTML());

  $html = explode('<body>', $html);
  $html = explode('</body>', $html[1]);
  return $html[0];
 }

上述方法的输出是一个垃圾，所有特殊字符都替换为 ÚÄ� 之类的奇怪内容。

还有一件事。它确实适用于我的开发服务器。

但它在生产服务器上不起作用。

有什么建议么？

生产服务器PHP版本：PHP Version 5.2.0RC4-dev

开发服务器PHP版本：PHP Version 5.2.13

更新：

我自己正在研究解决方案。我从这个 PHP 错误报告中得到了灵感（虽然不是真正的错误）：http ://bugs.php.net/bug.php?id=32547

这是我提出的解决方案。我明天会试试，如果它有效，请告诉你：

 private function ParseSlideContent($slideContent)
 {
        var_dump(iconv('Windows-1250', 'UTF-8', $slideContent)); // this outputs the HTML ok with all special characters

  $doc = new DOMDocument('1.0', 'UTF-8');

  // hack to preserve UTF-8 characters
  $html = iconv('Windows-1250', 'UTF-8', $slideContent);
  $doc->loadHTML('<?xml encoding="UTF-8">' . $html);
  $doc->preserveWhiteSpace = false;

  // this might work
  // it basically just adds head and meta tags to the document
  $html = $doc->getElementsByTagName('html')->item(0);
  $head = $doc->createElement('head', '');
  $meta = $doc->createElement('meta', '');
  $meta->setAttribute('http-equiv', 'Content-Type');
  $meta->setAttribute('content', 'text/html; charset=utf-8');
  $head->appendChild($meta);
  $body = $doc->getElementsByTagName('body')->item(0);
  $html->removeChild($body);
  $html->appendChild($head);
  $html->appendChild($body);

  foreach($doc->getElementsByTagName('img') as $t) {
   $path = trim($t->getAttribute('src'));
   $t->setAttribute('src', '/clientarea/utils/locate-image?path=' . urlencode($path));
  }
  foreach ($doc->getElementsByTagName('object') as $o) {
   foreach ($o->getElementsByTagName('param') as $p) {
    $path = trim($p->getAttribute('value'));
    $p->setAttribute('value', '/clientarea/utils/locate-flash?path=' . urlencode($path));
   }
  }
  foreach ($doc->getElementsByTagName('embed') as $e) {
   if (true === $e->hasAttribute('pluginspage')) {
    $path = trim($e->getAttribute('src'));
    $e->setAttribute('src', '/clientarea/utils/locate-flash?path=' . urlencode($path));
   } else {
    $path = end(explode('data/media/video/', trim($e->getAttribute('src'))));
    $path = 'data/media/video/' . $path;
    $path = '/clientarea/utils/locate-video?path=' . urlencode($path);
    $width = $e->getAttribute('width') . 'px';
    $height = $e->getAttribute('height') . 'px';
    $a = $doc->createElement('a', '');
    $a->setAttribute('href', $path);
    $a->setAttribute('style', "display:block;width:$width;height:$height;");
    $a->setAttribute('class', 'player');
    $e->parentNode->replaceChild($a, $e);
    $this->slideContainsVideo = true;
   }
  }

  $html = trim($doc->saveHTML());

  $html = explode('<body>', $html);
  $html = explode('</body>', $html[1]);
  return $html[0];
 }
4

3 回答 3

5

你的“黑客”没有意义。

您正在将 Windows-1250 HTML 文件转换为 UTF-8，然后将<?xml encoding="UTF-8">. 这行不通。DOM 扩展，用于 HTML 文件：

  • 采用元 http-equiv 中为“内容类型”指定的字符集。
  • 否则假定 ISO-8859-1

我建议您改为从 Windows-1250 转换为 ISO-8859-1 并且不添加任何内容。

编辑这个建议不是很好，因为 Windows-1250 的字符不在 ISO-8859-1 中。由于您正在处理没有meta内容类型元素的片段，因此您可以添加自己的以强制解释为 UTF-8：

<?php
//script and output are in UTF-8

/* Simulate HTML fragment in Windows-1250 */
$html = <<<XML
<p>ĄĽź ‰ ‡ … á (some exist on win-1250, but not LATIN1 or even win-1252)</p>
XML;
$htmlInterm = iconv("UTF-8", "Windows-1250", $html); //convert

/* Append meta header to force UTF-8 interpretation and convert into UTF-8 */
$htmlInterm =
    "<meta http-equiv=\"Content-Type\" content=\"text/html; charset=UTF-8\" />" .
    iconv("Windows-1250", "UTF-8", $htmlInterm);

/* Omit libxml warnings */
libxml_use_internal_errors(true);

/* Build DOM */
$d = new domdocument;
$d->loadHTML($htmlInterm);
var_dump($d->getElementsByTagName("body")->item(0)->textContent); //correct UTF-8

给出：

string(79) "ĄĽź ‰ ‡ ... á (有些存在于 win-1250，但不存在 LATIN1 甚至 win-1252)"
于 2010-08-23T18:43:39.270 回答
1

两种解决方案。

您可以将编码设置为标头：

<?php header("Content-Type", "text/html; charset=utf-8"); ?>

或者您可以将其设置为 META 标签：

<META HTTP-EQUIV="Content-Type" CONTENT="text/html; charset=UTF-8">

编辑：如果这两个设置正确，请执行以下操作：

  • 创建一个包含 UTF-8 字符的小页面。
  • 以您已有的相同方法编写页面。
  • 使用Fiddler或Wireshark检查在 DEV 和 PROD 环境中传输的原始字节。您还可以使用 Fiddler/Wireshark 仔细检查标题。

如果您确信正在发送正确的标头，那么发现错误的最佳机会是开始查看原始字节。发送到相同浏览器的相同字节将产生相同的结果，因此您需要开始寻找它们不同的原因。Fiddler/Wireshark 将对此有所帮助。

于 2010-08-23T15:21:32.733 回答
0

我有同样的问题。我的修复是使用notepad++并将php文档的编码设置为“UTF-8 without BOM”。希望这对其他人有帮助。

于 2013-08-18T21:03:16.587 回答