PHP提取HTML内容翻译后格式丢失及编码异常问题求助

一、修复HTML格式丢失 #

直接拆分HTML字符串翻译会导致API破坏标签结构，正确做法是用DOM操作只翻译文本节点，完整保留原HTML标签：

1. 使用DOMDocument和DOMXPath解析HTML，定位目标容器下的所有非空文本节点
2. 仅翻译纯文本内容，再将翻译结果放回原节点，完全保留原有HTML结构

示例代码片段：

$htmlContent = file_get_contents('fss4.html');
$dom = new DOMDocument();
// 避免解析时的编码问题和自动添加的html/body标签
$dom->loadHTML('<?xml encoding="UTF-8">' . $htmlContent, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
$xpath = new DOMXPath($dom);

// 提取page-container下的有效文本节点（排除空内容）
$textNodes = $xpath->query('//div[@id="page-container"]//text()[normalize-space(.) != ""]');

foreach ($textNodes as $node) {
    $originalText = trim($node->nodeValue);
    if (!empty($originalText)) {
        // 仅翻译文本内容，不触碰标签
        $translatedText = $tr->translate($originalText);
        $node->nodeValue = $translatedText;
    }
}

$new_html = $dom->saveHTML();

二、修复法语重音字符编码异常（Ãé显示问题） #

这是UTF-8编码处理不严谨导致的乱码，需从文件读写、API返回两个环节优化：

• 读取文件时强制转为UTF-8：

  $htmlContent = file_get_contents('fss4.html');
  // 自动检测原文件编码并转成UTF-8
  $htmlContent = mb_convert_encoding($htmlContent, 'UTF-8', mb_detect_encoding($htmlContent));
  

• 写入文件时确保UTF-8编码：

  // 直接写入即可，若编辑器识别有问题可添加UTF-8 BOM
  file_put_contents('fss4_translated.html', $new_html);
  // 可选：添加BOM兼容部分旧编辑器
  // file_put_contents('fss4_translated.html', "\xEF\xBB\xBF" . $new_html);
  

• 强制翻译API返回UTF-8：
  初始化翻译客户端时显式指定编码：

  $tr = new \Stichoza\GoogleTranslate\GoogleTranslate('en', 'fr'); // 根据需求调整源/目标语言
  $tr->setOptions(['encoding' => 'UTF-8']);
  

完整优化代码 #

require 'vendor/autoload.php';

use Stichoza\GoogleTranslate\GoogleTranslate;

// 初始化翻译客户端
$tr = new GoogleTranslate('en', 'fr');
$tr->setOptions(['encoding' => 'UTF-8']);

// 读取并转码HTML文件
$htmlContent = file_get_contents('fss4.html');
$htmlContent = mb_convert_encoding($htmlContent, 'UTF-8', mb_detect_encoding($htmlContent));

// DOM解析与文本翻译
$dom = new DOMDocument();
libxml_use_internal_errors(true); // 忽略HTML解析警告
$dom->loadHTML('<?xml encoding="UTF-8">' . $htmlContent, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
libxml_clear_errors();

$xpath = new DOMXPath($dom);
$textNodes = $xpath->query('//div[@id="page-container"]//text()[normalize-space(.) != ""]');

foreach ($textNodes as $node) {
    $originalText = trim($node->nodeValue);
    if (!empty($originalText)) {
        $node->nodeValue = $tr->translate($originalText);
    }
}

// 生成并保存最终HTML
$new_html = $dom->saveHTML();
file_put_contents('fss4_translated.html', $new_html);

内容的提问来源于stack exchange，提问作者Richardson