PHP 8中如何从含西里尔字母的HTML获取DOMDocument？

在PHP 8中，mb_convert_encoding处理HTML实体的方式被弃用，针对你解析含西里尔字母HTML的需求，推荐以下两种替代方案：

方案1：直接让DOMDocument识别UTF-8编码（优先推荐） #

原来的转实体操作本质是为了避免DOMDocument默认用ISO-8859-1解析导致的乱码，其实可以通过以下两种方式直接让DOMDocument识别UTF-8，无需转实体：

方式A：在HTML头部添加UTF-8 meta标签 #

$pageHTML = '<!doctype html>
<html>
<head>
<meta charset="UTF-8">
</head>
<body>
<div>Текст</div>
</body>
</html>';

$dom = new DOMDocument;
// 禁用libxml错误输出以避免无关警告
libxml_use_internal_errors(true);
$dom->loadHTML($pageHTML);
libxml_clear_errors();

echo $dom->getElementsByTagName('div')[0]->textContent;

方式B：添加XML编码声明并使用LIBXML选项 #

$pageHTML = '<!doctype html>
<html>
<head>
</head>
<body>
<div>Текст</div>
</body>
</html>';

$dom = new DOMDocument;
libxml_use_internal_errors(true);
// 在HTML内容前添加UTF-8编码声明，同时禁用默认的DOCTYPE和html/body标签补全
$dom->loadHTML('<?xml encoding="UTF-8">' . $pageHTML, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
libxml_clear_errors();

echo $dom->getElementsByTagName('div')[0]->textContent;

方案2：使用htmlentities转换HTML实体 #

如果业务场景确实需要将UTF-8字符转为HTML实体，可以用htmlentities替代：

$pageHTML = '<!doctype html>
<html>
<head>
</head>
<body>
<div>Текст</div>
</body>
</html>';

// 指定编码为UTF-8，ENT_QUOTES转义单双引号，ENT_SUBSTITUTE替换无效UTF-8字符
$pageHTML = htmlentities($pageHTML, ENT_QUOTES | ENT_SUBSTITUTE, 'UTF-8');

$dom = new DOMDocument;
libxml_use_internal_errors(true);
$dom->loadHTML($pageHTML);
libxml_clear_errors();

echo $dom->getElementsByTagName('div')[0]->textContent;

内容的提问来源于stack exchange，提问作者stckvrw