php - XMLReader 编码错误

Question

我有一个 PHP 脚本试图解析一个巨大的 XML 文件。为此，我使用 XMLReader 库。在解析过程中，我有这个编码错误：

输入不是正确的UTF-8，表示编码！字节：0xA0 0x32 0x36 0x30

我想知道它们是否是一种跳过带有坏字符的记录的方法。

谢谢！

Answer 1

首先，确保您的 XML 文件确实是 UTF-8 编码的。如果不指定编码作为XMLReader::open().

如果编码错误是由于 UTF-8 文档中的真正格式错误的字节序列引起的，并且如果您使用的是 PHP > 5.2.0，您可以将LIBXML_NOERROR和/或（取决于错误级别）LIBXML_NOWARNING作为位掩码传递给 的第三个参数XMLReader::open()：

$xml = new XMLReader(); 
$xml->open('myxml.xml', null, LIBXML_NOERROR | LIBXML_NOWARNING); 

如果您使用的是 PHP > 5.1.0，您可以调整libXML错误处理。

// enable user error handling
libxml_use_internal_errors(true);
/* ... do your XML processing ... */
$errors = libxml_get_errors();
foreach ($errors as $error) {
    // handle errors here
}
libxml_clear_errors();

我实际上不知道前面的两个解决方法是否真的允许XMLReader在发生错误时继续阅读，或者它们是否只抑制错误输出。但值得一试。

---

回复评论：

libXML定义XML_PARSE_RECOVER(1) 但 ext/libxml 不将此常量公开为 PHP 常量。也许可以将整数值传递1给$options参数。

$xml = new XMLReader(); 
$xml->open('myxml.xml', null, LIBXML_NOERROR | LIBXML_NOWARNING | 1); 

Answer 2

我会听听 XMLReader 告诉你什么。请记住，许多编码是 ASCII 的超集，因此（例如）UTF-8 和 ISO-8859-1 与前 128 个代码点的 ASCII 相同。很可能您的文件确实编码为 ISO-8859-1，但其中几乎所有字符都来自该字符集的较低 ASCII 一半。在这种情况下，错误将是你让它使用 XML 的默认编码 UTF-8。

在 ISO-8859-1 中，字节序列0xA0 0x32 0x36 0x30是完全有效的：一个不间断的空格，后跟“2”、“6”、“0”。

Answer 3

$xml = file_get_contents('myxml.xml');
$xml = preg_replace('/[\x0-\x1f\x7f-\x9f]/u', ' ', $xml);
//解析下面的$xml

Answer 4

如果您的 XML 文件具有非常简单的结构，您可以“预过滤”它以消除（甚至更好地纠正）错误的记录。

逐条读取并写出过滤后的xml文件，然后处理过滤后的文件。