PHP DOM UTF-8 problem

Zunächst, meine Datenbank verwendet, Windows-1250 als einheitlichen charset. Ich bin die Ausgabe der Daten als UTF-8. Ich bin mit iconv () - Funktion auf meiner website zum konvertieren von Windows-1250-strings in UTF-8-strings, und es funktioniert perfekt.

Das problem ist wenn ich mit PHP DOM parse HTML in der Datenbank gespeichert (der HTML-Code wird eine Ausgabe von einem WYSIWYG-editor und ist nicht gültig, hat es keine html -, head -, body-tags etc).

Den HTML könnte so Aussehen, beispielsweise:

<p>Hello</p>

Hier ist eine Methode, die ich verwenden, um zu analysieren, eine bestimmte HTML aus der Datenbank:

 private function ParseSlideContent($slideContent)
 {
        var_dump(iconv('Windows-1250', 'UTF-8', $slideContent)); //this outputs the HTML ok with all special characters

  $doc = new DOMDocument('1.0', 'UTF-8');

  //hack to preserve UTF-8 characters
  $html = iconv('Windows-1250', 'UTF-8', $slideContent);
  $doc->loadHTML('<?xml encoding="UTF-8">' . $html);
  $doc->preserveWhiteSpace = false;

  foreach($doc->getElementsByTagName('img') as $t) {
   $path = trim($t->getAttribute('src'));
   $t->setAttribute('src', '/clientarea/utils/locate-image?path=' . urlencode($path));
  }
  foreach ($doc->getElementsByTagName('object') as $o) {
   foreach ($o->getElementsByTagName('param') as $p) {
    $path = trim($p->getAttribute('value'));
    $p->setAttribute('value', '/clientarea/utils/locate-flash?path=' . urlencode($path));
   }
  }
  foreach ($doc->getElementsByTagName('embed') as $e) {
   if (true === $e->hasAttribute('pluginspage')) {
    $path = trim($e->getAttribute('src'));
    $e->setAttribute('src', '/clientarea/utils/locate-flash?path=' . urlencode($path));
   } else {
    $path = end(explode('data/media/video/', trim($e->getAttribute('src'))));
    $path = 'data/media/video/' . $path;
    $path = '/clientarea/utils/locate-video?path=' . urlencode($path);
    $width = $e->getAttribute('width') . 'px';
    $height = $e->getAttribute('height') . 'px';
    $a = $doc->createElement('a', '');
    $a->setAttribute('href', $path);
    $a->setAttribute('style', "display:block;width:$width;height:$height;");
    $a->setAttribute('class', 'player');
    $e->parentNode->replaceChild($a, $e);
    $this->slideContainsVideo = true;
   }
  }

  $html = trim($doc->saveHTML());

  $html = explode('<body>', $html);
  $html = explode('</body>', $html[1]);
  return $html[0];
 }

Die Ausgabe aus der Methode oben ist ein Müll mit allen Sonderzeichen ersetzt, mit seltsamen Sachen wie ÃšÄ�.

Eine weitere Sache. Es funktioniert auf meinem Entwicklungs-server.

Funktioniert es nicht auf dem Produktions-server obwohl.

Irgendwelche Vorschläge?

PHP-version des production-Servers: PHP-Version 5.2.0RC4-dev

PHP-version der Entwicklungs-server: PHP Version 5.2.13

UPDATE:

Ich arbeite an einer Lösung selber. Ich habe eine inspiration aus dieser PHP-bug-report (nicht wirklich ein bug aber): http://bugs.php.net/bug.php?id=32547

Dies ist meine vorgeschlagene Lösung. Ich werde versuchen, es morgen und lassen Sie wissen, ob es funktioniert:

 private function ParseSlideContent($slideContent)
 {
        var_dump(iconv('Windows-1250', 'UTF-8', $slideContent)); //this outputs the HTML ok with all special characters

  $doc = new DOMDocument('1.0', 'UTF-8');

  //hack to preserve UTF-8 characters
  $html = iconv('Windows-1250', 'UTF-8', $slideContent);
  $doc->loadHTML('<?xml encoding="UTF-8">' . $html);
  $doc->preserveWhiteSpace = false;

  //this might work
  //it basically just adds head and meta tags to the document
  $html = $doc->getElementsByTagName('html')->item(0);
  $head = $doc->createElement('head', '');
  $meta = $doc->createElement('meta', '');
  $meta->setAttribute('http-equiv', 'Content-Type');
  $meta->setAttribute('content', 'text/html; charset=utf-8');
  $head->appendChild($meta);
  $body = $doc->getElementsByTagName('body')->item(0);
  $html->removeChild($body);
  $html->appendChild($head);
  $html->appendChild($body);

  foreach($doc->getElementsByTagName('img') as $t) {
   $path = trim($t->getAttribute('src'));
   $t->setAttribute('src', '/clientarea/utils/locate-image?path=' . urlencode($path));
  }
  foreach ($doc->getElementsByTagName('object') as $o) {
   foreach ($o->getElementsByTagName('param') as $p) {
    $path = trim($p->getAttribute('value'));
    $p->setAttribute('value', '/clientarea/utils/locate-flash?path=' . urlencode($path));
   }
  }
  foreach ($doc->getElementsByTagName('embed') as $e) {
   if (true === $e->hasAttribute('pluginspage')) {
    $path = trim($e->getAttribute('src'));
    $e->setAttribute('src', '/clientarea/utils/locate-flash?path=' . urlencode($path));
   } else {
    $path = end(explode('data/media/video/', trim($e->getAttribute('src'))));
    $path = 'data/media/video/' . $path;
    $path = '/clientarea/utils/locate-video?path=' . urlencode($path);
    $width = $e->getAttribute('width') . 'px';
    $height = $e->getAttribute('height') . 'px';
    $a = $doc->createElement('a', '');
    $a->setAttribute('href', $path);
    $a->setAttribute('style', "display:block;width:$width;height:$height;");
    $a->setAttribute('class', 'player');
    $e->parentNode->replaceChild($a, $e);
    $this->slideContainsVideo = true;
   }
  }

  $html = trim($doc->saveHTML());

  $html = explode('<body>', $html);
  $html = explode('</body>', $html[1]);
  return $html[0];
 }

Wussten Sie, stellen Sie sicher, dass Sie senden die entsprechenden Content-type-header? I. e. wenn Sie die Seite in firefox öffnen überprüfen, Ansicht->Zeichensatz ist auf UTF8 eingestellt.
Sie haben versucht, die Methode save: $doc->speichern();
Ich werde es versuchen. Warten Sie einige Minuten.

InformationsquelleAutor Richard Knop | 2010-08-23

5

Dein "hack" ist nicht sinnvoll.

Sie konvertieren einer Windows-1250 HTML-Datei in UTF-8 und dann voranstellen <?xml encoding="UTF-8">. Das wird nicht funktionieren. Die DOM-Erweiterung für HTML-Dateien:
- Nimmt die charset-Angabe in einer meta http-equiv für "content-type".
- Ansonsten übernimmt ISO-8859-1
Ich schlage vor, Sie stattdessen konvertieren von Windows-1250 in ISO-8859-1 und Schreibe nichts.

BEARBEITEN Der Vorschlag ist nicht sehr gut, denn die Windows-1250 hat Zeichen, die nicht in ISO-8859-1. Da Sie den Umgang mit Fragmenten, ohne meta - Elemente für den content-Typ, können Sie Ihre eigenen hinzufügen, um Kraft interpretation als UTF-8:
```
<?php
//script and output are in UTF-8

/* Simulate HTML fragment in Windows-1250 */
$html = <<<XML
<p>ĄĽź ‰ ‡ … á (some exist on win-1250, but not LATIN1 or even win-1252)</p>
XML;
$htmlInterm = iconv("UTF-8", "Windows-1250", $html); //convert

/* Append meta header to force UTF-8 interpretation and convert into UTF-8 */
$htmlInterm =
    "<meta http-equiv=\"Content-Type\" content=\"text/html; charset=UTF-8\" />" .
    iconv("Windows-1250", "UTF-8", $htmlInterm);

/* Omit libxml warnings */
libxml_use_internal_errors(true);

/* Build DOM */
$d = new domdocument;
$d->loadHTML($htmlInterm);
var_dump($d->getElementsByTagName("body")->item(0)->textContent); //correct UTF-8
```
gibt:
```
string(79) "ĄĽź ‰ ‡ ... á (einige bestehen auf win-1250, aber nicht LATIN1 oder auch win-1252)" 
```
Wenn Sie gearbeitet haben, mit nicht-englischen Daten (cp1250 oder andere) wissen Sie, dass dieser hack ist manchmal der einzige Weg, um die PHP-DOM-Erhaltung der UTF-8 Sonderzeichen. Es ist auch erwähnt in der PHP-Dokumentation. Sie können versuchen, eine cp1250-Datenbank, abrufen von Daten aus es und analysieren Sie es mit PHP-DOM. Es ist eine echte Schmerzen.
auch die erwähnt, die in der PHP-Dokumentation." Link bitte. Notizen sind nicht Teil der Dokumentation.
Es ist ein user-Kommentar hier (php.net/manual/en/domdocument.loadhtml.php). Es ist Dritten Kommentar von oben. Ich weiß, es ist nicht offiziell, aber es ist manchmal der einzige Weg. Dies ist nicht die einzige Zeit, die Windows-1250 + PHP-DOM-Kombination gibt mir Kopfschmerzen. Dennoch, ich schlief für eine Weile und ich habe eine Idee, wie man dieses Problem lösen (nicht sicher, es wil aber funktionieren). Ich werde versuchen, es morgen, wenn es nicht funktioniert werde ich wahrscheinlich beginnen, eine Prämie für diese Frage.
Ich habe eine Idee, was das problem sein könnte von hier: bugs.php.net/bug.php?id=32547, Aber ich gehe jetzt schlafen.
Wenn ich dieses Problem lösen werde ich wohl einen Kommentar hinzufügen, der in der PHP-Dokumentation zum ersten mal 😀

InformationsquelleAutor Artefacto
1

Zwei Lösungen.

Können Sie entweder die Kodierung als header:
```
<?php header("Content-Type", "text/html; charset=utf-8"); ?>
```
Oder Ihr könnt es als META-tag:
```
<META HTTP-EQUIV="Content-Type" CONTENT="text/html; charset=UTF-8">
```
EDIT: in dem Fall, dass diese beiden richtig gesetzt sind, tun Sie den folgenden:
- Erstellen Sie eine kleine Seite mit UTF-8 Zeichen im.
- Schreiben Sie die Seite in der gleichen Methode, die Sie bereits haben.
- Verwenden Fiddler oder Wireshark zu prüfen, die raw-bytes übertragen werden, die in Ihrem DEV und PROD-Umgebungen. Sie können auch überprüfen die Header mit Fiddler/Wireshark.
Wenn Sie sicher sind, dass der richtige header gesendet wird, dann Ihre beste chance, den Fehler zu beginnen, raw-bytes. Gleichen bytes gesendet, um eine identische browser, erzielen Sie dasselbe Ergebnis, so dass Sie brauchen, um zu suchen, warum Sie nicht identisch sind. Fiddler/Wireshark helfen mit, dass.

Ich glaube, das wird das problem lösen, wenn es wirklich die Arbeit mit var_dump
Er erwähnt, dass es funktioniert auf seine Entwicklung-server, was bedeutet, dass es ist sehr wahrscheinlich, dass die bytes geschrieben richtig. Das wahrscheinlichste problem ist, dass die bytes nicht als Lesen richtig, und das sollte das beheben.
Der header wird korrekt gesendet. Es ist auch der richtige meta-tag.
Knop - Siehe Bearbeitungen.
Ok ich werde versuchen mit dem fiddler. Übrigens, ich denke, das problem wird verursacht, durch die PHP-DOM. Ich denke, es ist Unordnung auf dem Ost-europäischen UTF-8-Zeichen. Kennen Sie eine alternative zu PHP-DOM, das ich benutzen konnte, um die parse-HTML?

InformationsquelleAutor riwalk
0

Ich hatte das gleiche problem. Mein fix war mit notepad++ die Einstellung der Kodierung der php-Dokument "UTF-8 ohne BOM". Hoffe das hilft jedem der anderen.

InformationsquelleAutor user2494874

Schreibe einen Kommentar

Du musst angemeldet sein, um einen Kommentar abzugeben.