为什么PHP DOMDocument loadHTML不适用于波斯字符？

Question

这是我的密码

<?php

$data = <<<DATA
<div>
    <p>سلام</p>                                         // focus on this line
    <p class="myclass">Remove this one</p>
    <p>But keep this</p>
    <div style="color: red">and this</div>
    <div style="color: red">and <p>also</p> this</div>
    <div style="color: red">and this <div style="color: red">too</div></div>
</div>
DATA;

$dom = new DOMDocument();
$dom->loadHTML(mb_convert_encoding($data, 'HTML-ENTITIES', 'UTF-8'), LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
$xpath = new DOMXPath($dom);

foreach ($xpath->query("//*[@*]") as $node) {
    $parent = $node->parentNode;
    while ($node->hasChildNodes()) {
        $parent->insertBefore($node->lastChild, $node->nextSibling);
    }
    $parent->removeChild($node);
}

echo $dom->saveHTML();

正如我在问题标题中提到的，我的网站内容是波斯语(不是英语)。但是密码对波斯人不起作用。

电流输出：

.
.
    <p>&#1587;&#1604;&#1575;&#1605;</p>
.
.

预期输出：

.
.
    <p>سلام</p>
.
.

它有什么问题，我怎么能修好它？

注意:正如您所看到的，也使用了mb_convert_encoding($data, 'HTML-ENTITIES', 'UTF-8')来使其正确(基于https://stackoverflow.com/questions/8218230/php-domdocument-loadhtml-not-encoding-utf-8-correctly#8218649)，但仍然不起作用。

Answer 1

波斯字符被编码为数字字符引用。它们将在浏览器中适当地出现，或者您可以通过使用html_entity_decode()解码它们来查看原始文件，例如：

echo html_entity_decode("سلام");

产出：

سلام

如果您喜欢输出中的原始字符而不是数字字符引用，则可以更改：

echo $dom->saveHTML();

至：

echo $dom->saveHTML($dom->documentElement);

这稍微改变了序列化，结果是：

<div>
    <p>سلام</p>
    Remove this one
    <p>But keep this</p>
    and this
    and <p>also</p> this
    and this too
</div>

举例说明。