当前位置：首页 > 文章列表 > 文章 > php教程 > PHP DOMDocument 解析中文 HTML 怎样设置编码

PHP DOMDocument 解析中文 HTML 怎样设置编码

来源：17golang原创 2026-10-23 06:45:49 0浏览收藏

PHP 用 DOMDocument::loadHTML() 解析中文 HTML 时，最稳妥的做法不是反复调用 mb_convert_encoding()，而是先确认输入字节确实是 UTF-8，再给 HTML 明确的 UTF-8 声明，最后按 UTF-8 处理 saveHTML() 的输出。这样可以把“输入已经乱码”和“解析器猜错编码”分开。

官方手册：https://www.php.net/manual/en/class.domdocument.php

如果输入来自接口、文件或数据库，先统一到 UTF-8；如果是 HTML 片段，再在交给 DOMDocument 前补一个 UTF-8 的解析提示。不要把“设置 DOMDocument 构造参数”当成自动转码。

先看清中文乱码发生在哪一层

这类问题通常有三个位置：原始字符串的字节编码、HTML 解析器采用的字符集、序列化结果交给浏览器或下游接口时的声明。只改其中一层，另外两层仍然不一致，中文就可能显示为问号或类似乱码。

PHP DOMDocument 中文 HTML 从输入字节到解析提示再到输出的静态结构图 — 图1：中文 HTML 编码关系说明图，查看输入字节、解析提示和输出字符串三个边界；这是原创说明图，不是运行截图。

尤其要注意，new DOMDocument('1.0', 'UTF-8') 的第二个参数主要描述文档声明，并不会替你把任意输入字节转换成 UTF-8。输入已经不是 UTF-8 时，应该在数据进入 DOM 之前解决来源问题。

给 HTML 片段补上 UTF-8 解析提示

对没有完整的片段，可以把一个 XML 编码声明放在输入开头，帮助 libxml 识别字符串的编码；解析完成后再移除这条处理提示，避免它成为正文内容。下面的示例只展示兼容旧版 DOMDocument 的思路，代码中的输入仍应由调用方保证为 UTF-8。

' . $html;
    $dom = new DOMDocument('1.0', 'UTF-8');

    // 抑制示例中的格式警告；生产环境应记录并处理解析失败。
    $previous = libxml_use_internal_errors(true);
    try {
        $loaded = $dom->loadHTML($source, LIBXML_NOERROR | LIBXML_NOWARNING);
        if ($loaded === false) {
            throw new RuntimeException('HTML 解析失败');
        }
    } finally {
        // 恢复进程级 libxml 设置，避免影响同一请求的其它代码。
        libxml_use_internal_errors($previous);
    }

    // 删除临时的 XML 处理指令，保留真正的 HTML 文档结构。
    foreach (iterator_to_array($dom->childNodes) as $node) {
        if ($node->nodeType === XML_PI_NODE) {
            $dom->removeChild($node);
        }
    }
    return $dom;
}

$dom = loadChineseHtml('中文标题');
echo $dom->saveHTML();
?>

这个办法解决的是“解析器没有拿到编码线索”，不是“把 GBK 或 ISO-8859-1 的原始字节自动变成 UTF-8”。如果上游明确使用另一种编码，应在进入这个函数前只做一次有依据的转换。

输出时保持编码声明一致

saveHTML() 返回的是字符串。把它写回响应时，响应头、HTML 的 meta 声明和字符串实际字节应指向同一个编码。可以把完整文档交给 saveHTML()，也可以只保存指定节点；不要在保存后无依据地再次转换。

中文内容');

// 先序列化，再明确告诉浏览器响应使用 UTF-8。
$output = $dom->saveHTML();
header('Content-Type: text/html; charset=UTF-8');
echo $output;
?>

如果下游只需要正文片段，可对目标节点调用 saveHTML($node)，但仍要由下游协议决定如何声明编码。不要用“输出看起来正常”替代对响应头和数据来源的检查。

现代 HTML5 结构要考虑 PHP 8.4 的新解析器

当前 PHP 手册明确提示，DOMDocument::loadHTML() 使用 HTML 4 解析规则，和现代浏览器采用的 HTML5 规则并不完全相同。PHP 8.4 新增的 Dom\HTMLDocument::createFromString() 面向 HTML5 解析；如果输入包含依赖 HTML5 自动闭合规则的结构，应优先评估新 API，而不是只在旧解析器上修补编码。

DOMDocument 与 PHP 8.4 Dom HTMLDocument 的解析器和输出边界静态结构图 — 图2：解析器选择与输出边界结构图，查看旧 DOMDocument、HTML5 解析器和 UTF-8 输出之间的关系；这是原创说明图，不是运行截图。

场景	优先做法	注意点
旧项目读取中文片段	UTF-8 输入 + 编码提示 + saveHTML	不要把构造参数当成转码器
完整 HTML5 文档	评估 `Dom\HTMLDocument`	要求 PHP 8.4 及以上
输入来自 GBK 文件	在边界处确认来源后转换一次	避免重复转换导致二次乱码
需要输出给浏览器	字符串、meta、响应头统一 UTF-8	三处声明要一致