Tại sao DOM thay đổi mã hóa?

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); 
} 

Điều này thay đổi tất cả các ký tự UTF-8 thành Å, ¾, ¤ và các rác khác. Có cách nào khác để bảo vệ các ký tự UTF-8 không?

Không đăng câu trả lời cho tôi biết để đảm bảo rằng tôi xuất ra dưới dạng UTF-8, tôi đã đảm bảo rằng tôi đang có.

Cảm ơn trước :)

Answer 1

Tôi đã có vấn đề tương tự gần đây, và cuối cùng tìm thấy cách giải quyết này - chuyển đổi tất cả các ký tự khác ASCII để html đơn vị trước khi tải html

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

Answer 2

Trong trường hợp nó chắc chắn là DOM Screwing lập mã hóa, thủ thuật này đã làm nó cho tôi một thời gian trở lại theo chiều ngược lại (chấp nhận dữ liệu theo tiêu chuẩn ISO-8859-1). DOMDocument nên được UTF-8 theo mặc định trong mọi trường hợp, nhưng bạn vẫn có thể thử:

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

Answer 3

Ở đầu tập lệnh nơi mã php của bạn nằm (mã bạn đăng tại đây), đảm bảo bạn gửi tiêu đề utf-8. Tôi đặt cược mã hóa của bạn là một số biến thể của latin1 ngay bây giờ. Có, tôi biết trang web từ xa là utf8, nhưng tập lệnh php này không có.

Answer 4

tôi đã có thêm một tiêu đề utf8 để có được cái nhìn đúng đắn:

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