Comment faire pour forcer le chemin XPath de l'utilisation de l'utf-8?

J'ai un document XHTML passé à une PHP app via Greasemonkey AJAX. Le PHP app utilise UTF8. Si j'ai sortie le contenu du POSTE directement à un textarea dans l'AJAX de réception div, tout est toujours correctement encodé en UTF8.

Lorsque j'essaie de l'analyser à l'aide de XPath

$dom = new DOMDocument();
$dom->loadHTML($raw2);
$xpath = new DOMXPath($dom);
$query = '//td/text()';
$nodes = $xpath->query($query);
foreach($nodes as $node) {
  var_dump($node->wholeText);
}

sous-évaluées chaînes ne sont pas en utf8. Comment puis-je forcer DOM/XPath pour utiliser l'UTF8?

  • pouvez-vous fournir un (testé) exemple de document html?
InformationsquelleAutor Gordon | 2009-07-20
  1. 4

    Si c'est un à part entière valide xhtml document que vous ne devriez pas utiliser loadhtml() mais load()/loadxml().

    Donné l'exemple de document xhtml

    <?xml version="1.0" encoding="utf-8"?>
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN"
  "http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">
<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en">
    <head>
        <title>xhtml test</title>
    </head>
    <body>
        <h1>A Table</h1>
        <table>
            <tr><th>A</th><th>O</th><th>U</th></tr>
            <tr><td>Ä</td><td>Ö</td><td>Ü</td></tr>
            <tr><td>ä</td><td>ö</td><td>ü</td></tr>
        </table>
    </body>
</html>

    le script 

    <?php
$raw2 = 'test.html';

$dom = new DOMDocument();
$dom->load($raw2);
$xpath = new DOMXPath($dom);
var_dump($xpath->registerNamespace('h', 'http://www.w3.org/1999/xhtml'));
$query = '//h:td/text()';
$nodes = $xpath->query($query);
foreach($nodes as $node) {
    foo($node->wholeText);
}


function foo($s) {
    for($i=0; $i<strlen($s); $i++) {
        printf('%02X ', ord($s[$i]));
    }
    echo "\n";
}

    imprime

    bool(true)
C3 84 
C3 96 
C3 9C 
C3 A4 
C3 B6 
C3 BC

    c'est à dire la sortie/les chaînes de caractères sont codés en utf-8

    • La page que je vais l'analyse n'a pas <?xml ?>. Utilisé en ordre à ajouter que mon problème est résolu.
    • Qui est correct. Je maintiens la forte oppinion (faiblement lieu): si ce qu'il prétend être le xhtml n'essayez pas de le réparer; qu'ils voulaient le x en face, ils ont à offrir. 😉
    InformationsquelleAutor VolkerK
  2. 31

    J'ai eu le même problème et je ne pouvais pas utiliser rangé dans mon serveur.
    J'ai trouvé cette solution, et il a bien fonctionné:

    $html = mb_convert_encoding($html, HTML-ENTITÉS", "UTF-8"); 
$dom = new DomDocument(); 
$dom->loadHTML($html);
    • +1, la seule suggestion est de déplacer la deuxième ligne vers le haut, il a été source de confusion (au moins pour moi).
    • J'ai été aux prises avec ce depuis plus d'un an. Je vous remercie beaucoup pour cela. J'ai essayé de nombreuses choses qui ne fonctionnent pas: inclus classes spéciales, les en-têtes, metas, php.ini, xml utf-8 hacks, et beaucoup plus et rien n'a fonctionné pour mon problème particulier, sauf cela.
    InformationsquelleAutor Lucia
  3. 1

    Je n'ai pas essayé, mais le deuxième paramètre de DOMDocument::__construct semble être lié à l'encodage ; peut-être que ça vous aidera à vous 🙂

    D'autre, il y a un propriété de codage dans DOMDocument, qui est accessible en écriture.

    La DOMXpath être construit avec le DOMDocument comme paramètre, peut-être que ça marchera...

    • $dom->encoding = 'utf8' a eu aucun effet, ni de réglage de l'encodage dans __construct(). Peut-être due à l'utilisation de loadHTML(), mais je ne sais pas.
    • loadHTML() remplace l'encodage défini dans le constructeur
    InformationsquelleAutor Pascal MARTIN
  4. 1

    Un peu en retard dans le jeu, mais peut-être que cela aide quelqu'un...

    Le problème est peut-être dans la sortie, et pas dans les dom/xpath objet lui-même.

    Si vous serait sortie de la nodeValue directement, vous obtenez les caractères corrompus par exemple:

    ìÂÂì ë¹Â디ì¤
ìì ë¹ë””ì¤ í°ì  íì¤

    Vous devez charger votre objet dom avec le second param "utf-8", new \DomDocument('1.0', 'utf-8'), mais encore lorsque vous imprimez le nœud dom liste/valeur de l'élément vous obtenez cassé caractères:

    echo $contentItem->item($index)->nodeValue

    vous avez de l'envelopper avec utf8_decode:

    echo utf8_decode($contentItem->item($index)->nodeValue)
    //output: 者不終朝而會，愚者可浹旬而學

    InformationsquelleAutor Kuko Kukanovic
  5. 0

    Lutté avec problème similaire (incapable de forcer Xpath pour utiliser l'UTF-8 en combinaison avec loadHTML), à la fin de cet excellent article a fourni la solution:
    http://devzone.zend.com/article/8855

    solution de contournement:

    Insérer un article supplémentaire
    avec le Content-type approprié
    HTTP-EQUIV balise meta immédiatement
    à la suite de la balise d'ouverture.

    • Ce lien n'est plus valide. Pouvez-vous mettre à jour ou de la pâte de la solution à partir de la page ici?
    InformationsquelleAutor Hans