PHP DOMDocument为何将HTML引号实体转换为实际引号？

问题场景 #

给定如下HTML内容：

$html =
'<!doctype html>
<html lang="en">
    <head>
        <meta charset="utf-8">
    </head>
    <body>
        <p>&#39; &quot; & &lt; © 庭</p>
    </body>
</html>';

使用DOMDocument加载并输出：

$dom = new DOMDocument();
$dom->loadHTML($html, LIBXML_NOERROR);
echo $dom->saveHTML();

得到的输出与输入差异如下：

输入: ' " & < © 庭
输出: ' " & < © 庭

原因分析 #

1. 实体转换逻辑：
   • HTML规范中，文本内容里的单引号（'）和双引号（"）不属于必须转义的特殊字符，因此DOMDocument会将'和"解析为实际字符，输出时不会自动转回实体。
   • &和<是HTML的核心特殊字符（用于标记实体和标签边界），必须转义：输入的&会被转成&，而<本身就是转义后的合法形式，因此输出时保留。
2. UTF-8编码识别问题：
   • libxml（DOMDocument依赖的底层库）默认以ISO-8859-1编码解析文档，即使HTML中包含<meta charset="utf-8">也无效——因为meta标签是在DOM结构构建完成后才被解析的，无法影响初始的编码识别逻辑，导致UTF-8字符（如©、庭）被转成十进制实体。

解决方案 #

1. 修复UTF-8字符转义问题 #

通过mb_convert_encoding将HTML转换为HTML-ENTITIES编码后再加载，让libxml正确识别UTF-8字符：

$html =
'<!doctype html>
<html lang="en">
    <head>
        <meta charset="utf-8">
    </head>
    <body>
        <p>&#39; &quot; & &lt; © 庭</p>
    </body>
</html>';

$dom = new DOMDocument();
// 转换编码并加载，确保libxml识别UTF-8
$dom->loadHTML(mb_convert_encoding($html, 'HTML-ENTITIES', 'UTF-8'), LIBXML_NOERROR);
echo $dom->saveHTML();

此时©和庭会以原UTF-8字符输出，不会被转成实体。

2. 强制保留'和"实体 #

由于DOMDocument不会自动保留文本中的引号实体，需要通过自定义标记替换的方式实现：

$html =
'<!doctype html>
<html lang="en">
    <head>
        <meta charset="utf-8">
    </head>
    <body>
        <p>&#39; &quot; & &lt; © 庭</p>
    </body>
</html>';

// 提前将目标实体替换为自定义标记，避免被DOM解析
$html = str_replace(
    ['&#39;', '&quot;'],
    ['__ENTITY_SINGLE_QUOTE__', '__ENTITY_DOUBLE_QUOTE__'],
    $html
);

$dom = new DOMDocument();
$dom->loadHTML(mb_convert_encoding($html, 'HTML-ENTITIES', 'UTF-8'), LIBXML_NOERROR);

// 输出前将自定义标记替换回原实体
$output = str_replace(
    ['__ENTITY_SINGLE_QUOTE__', '__ENTITY_DOUBLE_QUOTE__'],
    ['&#39;', '&quot;'],
    $dom->saveHTML()
);

echo $output;

该方案可确保'和"实体被完整保留，同时解决UTF-8编码问题。

内容的提问来源于stack exchange，提问作者Jeff