3

我目前正在重写一个 PHP 类，该类试图将 XML 文件拆分为更小的块，以使用 XMLReader 和 XMLWriter 而不是当前的基本文件系统和正则表达式方法。

但是，我不知道如何从 XML 序言中获取版本、编码和独立标志。

我的测试 XML 文件的开头如下所示：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE fakedoctype SYSTEM "fake_doc_type.dtd">

 <!--
 This is a comment, it's here to try and get the parser to break in some way
 --> 

<root attribute="value" otherattribute="othervalue">

我可以用阅读器打开它并使用 read()、next() 等浏览文档，但我似乎无法得到<?xml ... ?>. 我能够访问的第一件事是伪造的 DOCTYPE。

我的测试代码如下：

$a = new XMLReader ();
var_dump ($a -> open ('/path/to/test/file.xml')) // true
var_dump ($a -> nodeType); // 0
var_dump ($a -> name); // ""
var_dump ($a -> readOuterXML ()); // ''
var_dump ($a -> read ()); // true
var_dump ($a -> nodeType); // 10
var_dump ($a -> readOuterXML ()); // <!DOCTYPE fakedoctype SYSTEM "fake_doc_type.dtd">

当然，我总是可以假设 XML 1.0，编码 UTF8 和独立 = 是的，但为了正确起见，我真的希望能够获取源提要中的值并在生成拆分文件时使用它们。

XMLReader 和 XMLwriter 上的文档似乎很差，所以我很可能错过了文档中的某些内容。有谁知道在这种情况下该怎么办？

4

1 回答 1

3

我所知道的XMLReader即使它有 常数，我在 属性中XMLReader::XML_DECLARATION遍历文档时也从未体验过它。XMLReader::read()XMLReader::$nodeType

看起来它被跳过了，我也想知道为什么会这样，我还没有找到任何标志或选项来改变这种行为。

对于输出，XMLReader始终返回 UTF-8 编码的字符串。这与 PHP 中其他基于 libxml 的部分相同。所以从那一边，一切都清楚了。但我认为这不是您感兴趣的部分，而是您使用打开的文件中的具体字符串输入XMLReader::open()。

不是专门因为XMLReader我曾经创建了一个我命名的实用程序类XMLRecoder，它能够基于 XML 声明和 BOM 检测 XML 字符串的编码。我认为你应该两者都做。这是我认为你仍然需要使用正则表达式的一部分，但由于 XML 声明必须是第一件事，而且它是一个处理指令 (PI)，它的定义非常好和严格，你应该能够在那里窥视。

这是XMLRecoder代码中的一些相关部分：

### excerpt from https://gist.github.com/hakre/5194634 

/**
 * pcre pattern to access EncodingDecl, see <http://www.w3.org/TR/REC-xml/#sec-prolog-dtd>
 */
const DECL_PATTERN = '(^<\?xml\s+version\s*=\s*(["\'])(1\.\d+)\1\s+encoding\s*=\s*(["\'])(((?!\3).)*)\3)';
const DECL_ENC_GROUP = 4;
const ENC_PATTERN = '(^[A-Za-z][A-Za-z0-9._-]*$)';

...

($result = preg_match(self::DECL_PATTERN, $buffer, $matches, PREG_OFFSET_CAPTURE))
    && $result = $matches[self::DECL_ENC_GROUP];

正如这表明它一直到编码，所以它不完整。但是，对于提取编码的需要（以及您需要的版本），它应该可以完成这项工作。我已经针对大量（数千）随机 XML 文档进行了测试以进行测试。

另一部分是BOM检测：

### excerpt from https://gist.github.com/hakre/5194634 

const BOM_UTF_8 = "\xEF\xBB\xBF";
const BOM_UTF_32LE = "\xFF\xFE\x00\x00";
const BOM_UTF_16LE = "\xFF\xFE";
const BOM_UTF_32BE = "\x00\x00\xFE\xFF";
const BOM_UTF_16BE = "\xFE\xFF";

...

/**
 * @param string $string string (recommended length 4 characters/octets)
 * @param string $default (optional) if none detected what to return
 * @return string Encoding, if it can not be detected defaults $default (NULL)
 * @throws InvalidArgumentException
 */
public function detectEncodingViaBom($string, $default = NULL)
{
    $len = strlen($string);

    if ($len > 4) {
        $string = substr($string, 0, 4);
    } elseif ($len < 4) {
        throw new InvalidArgumentException(sprintf("Need at least four characters, %d given.", $len));
    }

    switch (true) {
        case $string === self::BOM_UTF_16BE . $string[2] . $string[3]:
            return "UTF-16BE";

        case $string === self::BOM_UTF_8 . $string[3]:
            return "UTF-8";

        case $string === self::BOM_UTF_32LE:
            return "UTF-32LE";

        case $string === self::BOM_UTF_16LE . $string[2] . $string[3]:
            return "UTF-16LE";

        case $string === self::BOM_UTF_32BE:
            return "UTF-32BE";
    }

    return $default;
}

通过 BOM 检测，我也确实针对同一组 XML 文档运行了此操作，但是，使用 BOM 的并不多。如您所见，检测顺序针对更常见的场景进行了优化，同时处理了不同 BOM 之间的重复二进制模式。我遇到的大多数文档都没有 BOM，您主要需要它来确定文档是否是 UTF-32 编码的。

希望这至少能提供一些见解。

于 2013-03-19T09:14:47.287 回答