PHP DOMDocument 解析中文 HTML 怎样设置编码

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。

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。

用三个观察指标定位问题

排查时可以记录三个不会改变业务数据的指标：输入的 mb_detect_encoding() 判断结果、HTML 开头是否存在 charset 或临时 XML 声明、输出响应是否带 charset=UTF-8。它们分别对应输入、解析和传输边界。

不要把检测函数的猜测当作事实来源；更可靠的是确认文件协议、数据库连接、HTTP 响应头或接口契约。也不要对已经正常的 UTF-8 字符串再做一次“保险转换”，否则可能把正常文本变成双重编码。

常见问题

设置 new DOMDocument('1.0', 'UTF-8') 后为什么仍然乱码？

因为构造参数不负责转换输入字节。请先确认源字符串实际编码，再给 HTML 解析器明确的声明。

只给 HTML 增加 meta charset 就够了吗？

完整文档通常有帮助，但片段可能没有 head，且输入本身若已经不是 UTF-8，声明不能修复原始字节。输入来源、解析提示和输出声明需要一起看。

PHP 8.4 还要继续使用 DOMDocument 吗？

旧项目可以继续使用，但面对现代 HTML5 规则时应评估 Dom\HTMLDocument::createFromString()。选择哪种 API 取决于 PHP 版本和文档结构要求。

小结

PHP DOMDocument 解析中文 HTML 的关键是把编码问题拆成三段：输入字节先确认，解析阶段给出 UTF-8 线索，输出阶段让字符串与响应声明保持一致。构造函数的编码参数不是自动转码器；如果项目已经使用 PHP 8.4，还要把 HTML4 与 HTML5 解析规则的差异纳入选择。