0

我有这个 HTML 内容： 

<div>测试</div>
<script charset="utf-8" type="text/javascript">
    function drawCharts(){
        console.log('测试');
    }
</script>

当我使用 Symfony 的 dom-crawler 时，文本被 HTML 编码。我怎样才能防止这种情况？$crawler->html()结果： 

<div>测试</div>
<script>
    function drawCharts(){
        console.log('&#27979;&#35797;');
    }
4

1 回答 1

6

让我们看看 symfony/dom-crawler 是如何工作的。这是一个开始的例子： 

<?php

require 'vendor/autoload.php';

use Symfony\Component\DomCrawler\Crawler;

$html = <<<HTML
<div>测试</div>
<script charset="utf-8" type="text/javascript">
    function drawCharts(){
        console.log('测试');
    }
</script>
HTML;

$crawler = new Crawler($html);

print $crawler->html();

它输出：

<div>æµè¯</div>
<script charset="utf-8" type="text/javascript">
    function drawCharts(){
        console.log('&aelig;&micro;&#139;&egrave;&macr;&#149;');
    }
</script>

当您通过构造函数传递内容时，Crawler该类会尽力找出编码。如果它无法解决任何问题，它会退回到ISO-8859-1; 这是 HTTP 1.1 规范定义的默认字符集。

如果您的 HTML 内容包含字符集元标记，则 Crawler 类将从其中读取字符集，对其进行设置并正确转换。这是上面相同的示例，在 HTML 内容前附加了一个字符集元标记： 

<?php

require 'vendor/autoload.php';

use Symfony\Component\DomCrawler\Crawler;

$html = <<<HTML
<meta charset="utf-8">
<div>测试</div>
<script charset="utf-8" type="text/javascript">
    function drawCharts(){
        console.log('测试');
    }
</script>
HTML;

$crawler = new Crawler($html);

print $crawler->html();

现在它打印： 

<div>测试</div>
<script charset="utf-8" type="text/javascript">
    function drawCharts(){
        console.log('&#27979;&#35797;');
    }
</script>

如果您不想添加字符集元标记，还有另一种方法；addHTMLContent()方法接受一个字符集作为其第二个参数，默认为UTF-8. 与其通过构造函数传递 HTML 内容，不如先实例化该类，然后使用此方法添加内容： 

<?php

require 'vendor/autoload.php';

use Symfony\Component\DomCrawler\Crawler;

$html = <<<HTML
<div>测试</div>
<script charset="utf-8" type="text/javascript">
    function drawCharts(){
        console.log('测试');
    }
</script>
HTML;

$crawler = new Crawler;

// You can safely drop the 2nd argument
$crawler->addHTMLContent($html, 'UTF-8');     

print $crawler->html();

现在，没有字符集元标记，它会打印： 

<div>测试</div>
<script charset="utf-8" type="text/javascript">
    function drawCharts(){
        console.log('&#27979;&#35797;');
    }
</script>

好的，你可能已经知道了这一切。那么，怎么了&#27979;&#35797;？为什么div内容按原样显示，但script标签中的相同内容被 html 编码？

Symfony 的Crawler类，正如它自己解释的那样，由于以下错误而将内容转换为 HTML 实体DOMDocument::loadHTML()：

在loadHTML()处理 UTF-8 页面时，可能会遇到 DOM 函数的输出与输入不一样的问题。例如，如果您想获得“Cạnh tranh”，您将收到“Cạnh tranh”。我建议我们mb_convert_encoding在加载 UTF-8 页面之前使用。
– https://php.net/manual/en/domdocument.loadhtml.php#74777

有人建议Content-Type在 head 元素中添加 HTML4 元标记。其他一些建议在<?xml encoding="UTF-8">将 HTML 内容传递给loadHTML(). 由于您的 HTML 结构不完整（缺少head、body等），我建议您只需将输出传递给html_entity_decode()： 

<?php

require 'vendor/autoload.php';

use Symfony\Component\DomCrawler\Crawler;

$html = <<<HTML
<div>测试</div>
<script charset="utf-8" type="text/javascript">
    function drawCharts(){
        console.log('测试');
    }
</script>
HTML;

$crawler = new Crawler();
$crawler->addHTMLContent($html, 'UTF-8');

print html_entity_decode($crawler->html());

输出： 

<div>测试</div>
<script charset="utf-8" type="text/javascript">
    function drawCharts(){
        console.log('测试');
    }
</script>

这就是你想要的。

您可能还想阅读：
PHP DOMDocument loadHTML not encoding UTF-8 correct

于 2016-12-25T15:02:33.933 回答