DOMDocument->loadHTML()处理中文的一点问题

授权方式：署名，非商业用途，保持一致，转载时请务必以超链接(http://www.fwolf.com/blog/post/314)的形式标明文章原始出处和作者信息及本声明。

DOM是php比较新的xml和html处理类，可以像javascript那样方便的操作DOM树，网上更多的是介绍它处理XML的情况，今天我来介绍一个用它处理html时的中文问题，php版本为5.1.6，所有php代码均为utf8编码。

我要处理的html是使用curl从网页上读取过来的，一个是百度的首页，gb2312字符集，一个是有道的首页，utf8字符集，两者的html头部分分别如下：

<html><head><title>百度一下，你就知道   </title><meta http-equiv=Content-Type content="text/html;charset=gb2312">

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
<link rel="stylesheet" href="/pack23501M/index.css" type="text/css"/>
<script type="text/javascript" src="/pack23501M/all.js"></script>
<title>有道</title>

可以看出百度的代码非常不规范，而有道就好多了，这虽然是体外话，其实还是有些关系的，后天会提到。

以上两段html代码，用同样的方式处理结果却不同，比如下面简单的处理（输出网页的title）：

$dom = new DOMDocument();
@$dom->loadHTML($html);
echo $dom->getElementsByTagName('title')->item(0)->nodeValue;
...
$html = $dom->saveHTML();

有道的输出结果是正常的，百度却是乱码：

ç¾åº¦ä¸ä¸ï¼ä½ å°±ç¥é

由于php文档的loadHTML上说了，DOM内部处理全部都是utf8的，所以除了传入内容要utf8化之外，传入的内容中最好还有声明字符集的html代码：

<meta http-equiv="Content-Type" content="text/html; charset=utf-8"/>

注意，这就是DOM处理html和xml最大的不同了，xml一般要求在第一行就显示的声明字符集，而html则灵活得多，可声明可不声明。不过不管输出的内容是正常还是乱码，dom内的nodeValue和最终的输出结果都是一致的，说明dom工作正常，问题就在输入数据上。

于是，针对百度的gb2312网页内容，增加了两项处理，第一项是使用mb_convert_encoding把网页内容由gb2312编码转换为utf8编码，第二项是把html中的：

<meta http-equiv=Content-Type content="text/html;charset=gb2312">

替换成了utf8的：

<meta http-equiv="Content-Type" content="text/html;charset=utf-8">

这样按说应该是可以了，但百度的处理结果仍然是乱码，百思而不得其解，偶然当中发现如果$html的值是这样的话输出是正常的：

$html = mb_convert_encoding('<title>测试test</title>', 'gb2312', 'utf-8');
$html = '<meta http-equiv="Content-Type" content="text/html;charset=gb2312">' . $this->html;

这说明，DOM正确识别了html代码中的Content-Type描述，即使html是gb2312编码的，DOM也能夠自动转换为正确的代码。

现在的情况是这样的：

DOM工作正常
html已经转换为utf8编码
Content-Type描述也已经调整

怎么还是会出问题呢？先看看下面的Content-Type描述代码：

$meta = '<meta http-equiv="Content-Type" content="text/html; charset=utf-8">';

看清楚喽，如果用$meta直接替换百度html代码中的那句meta，不会生效，仍然乱码；可如果把$meta添加到整个html代码前面，也就是<html>前面，输出就正常了，神奇吧。

于是我就推测，之前百度代码处理乱码的原因，可能是在它的html代码中，meta前面有个含有中文的<title>，DOM在解析到<title>的时候，遇到了非ascii字符，而这时没有解析到<meta>，DOM不知道整个html代码是什么字符集，也就无法正确判断<title>的编码，于是糊里糊涂的进行了错误的字符集转换。

为了证实我的猜测，试着这样处理一下：只修改<meta>，把定义位置放在<title>前面，把缺少的引号加上，但是字符集声明仍然为gb2312，html代码也不进行iconv转换，就像下面这样（注意为gb2312编码）：

<html>
<head>
<meta http-equiv="Content-Type" content="text/html;charset=gb2312">
<title>百度一下，你就知道   </title>

执行，输出正常，而且是正常的gb2312编码，没有乱码。所以我的猜测是正确的，关于Content-Type的meta声明一定要放在<title>前面才行。另外上例中如果把nodeValue输出，是utf8编码的，也就是DOM的内部使用编码，说明DOM输入和输出的时候都会进行字符集转换（根据html代码中的字符集声明）。

最后，总结一下，curl读过来的网页数据，全部iconv为utf8编码，然后把声明Content-Type的<meta>替换到紧跟在<head>的位置上，再用DOM处理就不会出现乱码了。

No tags for this post.

This entry was posted on Sunday, April 8th, 2007 at 16:46:39 and is filed under PHP. You can follow any responses to this entry through the RSS 2.0 feed. You can leave a response, or trackback from your own site.

One Response to “DOMDocument->loadHTML()处理中文的一点问题”

江南sky Says:
April 15th, 2007 at 14:30:28
百度不识别UTF8编码，有的时候直接现实乱码.

[Reply]

Fwolf’s Blog

DOMDocument->loadHTML()处理中文的一点问题

Related posts

One Response to “DOMDocument->loadHTML()处理中文的一点问题”

Leave a Reply

Fwolf:

Categories

Archives

Tags Cloud

RSS

Stat