我正在解析的 HTML 文档包含一些 ASCII 控制代码。我注意到 PHP 的 DOMDocument 解析器在节点内找到 ASCII 控制字符时会截断文本节点，例如
Device Control 0x13
End of Medium 0x19
File Separator 0x1C
Group Separator 0x1D
这是错误还是功能？有没有办法让 DOMDocument 采取其他方式？我在 DOM 处理之前采取了删除这些字符的方法，但我想知道这是否是正确的解决方案。
问问题
760 次
2 回答
2
可能既是错误又是功能。
XML 1.0对它接受的 ASCII 控制字符有非常严格的限制。所以看起来你的 DOMDocument 试图通过截断来保护你自己（尽管它应该返回一些问题的指示，所以我称之为错误）。
XML 1.1限制较少；它唯一不允许的是NUL。因此，一种可能的解决方案是配置您的 DOMDocument 对象，以便它知道它应该管理 1.1。
编辑：看起来您可以将 XML 版本号传递给 DOMDocument 构造函数（但我不是 PHP 程序员，所以不知道我是否正确阅读了文档）。
编辑2：我刚刚重读了你的问题，并意识到你的解析，而不是构造。如果您在输入前添加有效的 1.1 序言，那应该是一种解决方法。或者也许通过使用正确的版本号构造 DOMDocument，它会在没有该序言的情况下正确解析。
于 2010-01-04T17:29:48.920 回答
1
补充一下 kdgregory 关于允许字符的说法，这些控制字符不仅在 XML 中无效，而且在 SGML 中也是无效的。因此，旧版 HTML 或 XHTML，您将永远无法解析 HTML 文档中的任何这些字符。
（我不知道你为什么想要。二进制数据不属于 [X][HT]ML。）
于 2010-01-04T17:50:26.493 回答