xpath之后的DomXPath编码问题

Question

如果我使用echo $doc->saveHTML();，它会相应地显示字符，但是一旦它到达xml？在xpath提取元素时，问题又回来了。

我似乎不能正确地显示字符。如何正确地转换它。我得到了：

婢跺繐顒滈拺鍙ョ瀵偓鐞涱偊鈧繑妲戦挅鍕綍婢舵牕顨� 闂€鍌溾敄缂侊綀濮虫稉濠呫€� 娑擃叀顣荤純鎴犵綍閺冭泛鐨绘總鍏呯瑐鐞涳綀鏉藉▎

而不是真正的中文：

<head><meta http-equiv="X-UA-Compatible" content="IE=edge"><meta charset="gbk"/></head>

我的PHP代码：

$html = file_get_contents('http://item.taobao.com/item.htm?spm=a2106.m874.1000384.41.aG3Kbi&id=20811635147&_u=o1ffj7oi9ad3&scm=1029.newlist-0.1.16&ppath=&sku=');
$doc = new DOMDocument();

// Based on Article http://stackoverflow.com/questions/11309194/php-domdocument-failing-to-handle-utf-8-characters/11310258#11310258
$searchPage = mb_convert_encoding($html,"HTML-ENTITIES","GBK");
$doc->loadHTML($searchPage);
// echo $doc->saveHTML(); 

$xpath = new DOMXpath($doc);
$elements = $xpath->query("//*[@id='detail']/div[1]/h3");

foreach ($elements as $e) {
   //echo $e->nodeValue;
   echo mb_convert_encoding($e->nodeValue,"utf-8","gbk");
}

Answer 1

在最后一次调用时，您的to_encoding和from_encoding参数是错误的。从XPath查询返回的内容被编码为UTF-8，但是假设您希望将输出编码为gbk (假设您已经将元字符集设置为"gbk")。

所以最后一个循环应该是：

foreach ($elements as $e) {
  echo mb_convert_encoding($e->nodeValue,"gbk","utf-8");
}

to_encoding是"gbk"，from_encoding是"utf-8“。

也就是说，如果您对将页面编码为UTF-8感到满意，那么AgreeOrNot给出的答案也应该有效。

至于编码过程是如何工作的，DOMDocument内部使用UTF-8，这就是为什么您从xpath查询得到的结果是UTF-8，以及为什么需要使用mb_convert_encoding将其转换为gbk的原因。

当您调用loadHTML时，它会尝试检测源编码，然后将输入从该编码转换为UTF8。不幸的是，检测算法并不总是工作得很好。

例如，尽管您的示例页面设置了字符集元标记，但loadHTML无法识别该元标记，因此它默认假设源编码为Latin1。如果您使用http-equiv metatag指定Content-Type，那么它就可以工作。

<meta http-equiv="Content-Type" content="text/html; charset=gbk" />

另一种方法是完全避免这个问题，而是将所有非ASCII字符转换为html实体(就像您所做的那样)。这样，loadHTML是否正确地检测到字符编码并不重要，因为不会有任何需要转换的字符。

Answer 2

因为您已经将文档转换为html实体，所以在打印结果时不需要转换编码。所以：

echo $e->nodeValue;
// echo mb_convert_encoding($e->nodeValue,"utf-8","gbk");

你没有得到正确输出的原因是你在你的html中放入了<meta charset="gbk"/>，而它应该是<meta charset="utf-8"/>。