PHP使用临时DOMDocument获取innerHTML时字符转HTML实体如何解决

问题原因 #

临时创建的DOMDocument实例默认使用ISO-8859-1编码，未显式指定UTF-8编码时，会自动将多字节特殊字符转换为–、α这类HTML实体。

解决方法 #

方案1：显式指定临时DOMDocument的编码（推荐，适配PHP 5.4+） #

创建DOMDocument后直接设置encoding属性，同时修正原代码中的变量名笔误（原代码中$t应为$temp）：

function innerHTML(DOMNode $el){
    $html = '';
    foreach($el->childNodes as $node){
        $temp = new DOMDocument();
        // 显式指定编码为UTF-8
        $temp->encoding = 'UTF-8';
        $temp->appendChild($temp->importNode($node, true));
        $html .= trim($temp->saveHTML());
    }
    return (string)$html;
}

方案2：预加载带编码声明的空HTML骨架（兼容更低版本PHP） #

如果方案1不生效，可以先给临时DOM加载一段带UTF-8编码声明的空HTML，再导入目标节点：

function innerHTML(DOMNode $el){
    $html = '';
    foreach($el->childNodes as $node){
        $temp = new DOMDocument();
        // 加载带编码声明的空HTML，同时关闭无关的libxml警告
        $temp->loadHTML('<?xml encoding="UTF-8"><html><body></body></html>', LIBXML_NOERROR | LIBXML_NOWARNING);
        // 将目标节点导入到body标签下
        $temp->getElementsByTagName('body')->item(0)->appendChild($temp->importNode($node, true));
        // 仅提取body内的内容拼接
        $body = $temp->getElementsByTagName('body')->item(0);
        foreach ($body->childNodes as $child) {
            $html .= trim($temp->saveHTML($child));
        }
    }
    return (string)$html;
}

方案3：输出后统一反转义实体 #

如果以上方案都不符合你的场景，可以在最终返回结果前用html_entity_decode将实体转回原字符：

function innerHTML(DOMNode $el){
    $html = '';
    foreach($el->childNodes as $node){
        $temp = new DOMDocument();
        $temp->appendChild($temp->importNode($node,true));
        $html .= trim($temp->saveHTML());
    }
    // 按HTML5标准反转义所有实体，编码指定为UTF-8
    return html_entity_decode($html, ENT_QUOTES | ENT_SUBSTITUTE | ENT_HTML5, 'UTF-8');
}

内容的提问来源于stack exchange，提问作者Googlebot