[PHP] 使用 DOMDocument 方法碰到的 UTF-8 字元解析問題

本篇文章更新時間：2024/06/23
如有資訊過時或語誤之處，歡迎使用 Contact 功能通知或向一介資男的 LINE 社群反應。
如果本站內容對你有幫助，歡迎贊助支持 。

操作網頁中修改 HTML 元素屬性的需求時，從單純字元取代到正規表達式（Regex）找字串取代到最後是使用 DOMDocument 方法來找元素操作都可以。

不過除了 DOMDocument 方法，其他方式都有機會把網頁 HTML 結構破壞掉，所以我大多都會採取 DOMDocument 方法來處理。

但！ DOMDocument 至今還在預設 HTTP 協議中的預設字元 ISO-8859-1 編碼，所以如果使用這方法來分析頁面，除了英文內容之外的，都會有編碼亂碼問題。

預計 PHP8.4 的更新可以支援到 HTML5 PHP RFC: DOM HTML5 parsing and serialization

又，參考這一篇解法 PHP DOMDocument loadHTML not encoding UTF-8 correctly，只要在載入 HTML 字串前，補上 '<meta charset="utf8"/>' 這段就可以讓他去支援 UTF-8。

但！ 其實我測試的頁面也有這段 UTF-8 的 head 標頭，也不知道為啥一定得要先這樣補上這段才可以完整的支援，搞得一個 head 中會出現兩個 <meta charset="UTF-8"/>。（utf8 vs UTF-8 的延伸謎之寫法問題暫時沒去測試了）

然後還有要儲存修改過後，並且輸出正確的 HTML 原始碼，使用 $dom->saveHTML($dom->documentElement); 這作法比直接 $dom->saveHTML() 這方法來的正確。

總結，這方法真的很雷，但卻又是最保險來處理 HTML 元素的方法，所以真是需要筆記起來ＸＤ

當然也可以去找一些 CSS Selector 方式操作的改寫函式庫來使用，哪怕也可能是使用 Regex 方式，但至少也測試的比較完整，就是需求真的很小又很少用的時候反而就太多了。