錯誤的XML混合字符編碼

Question

我有一個應該用UTF-8編碼的自動生成的XML文件。大部分情況下，編碼是正確的。但是，有一些字符沒有正確編碼。在Emacs中查看文件時，我得到\ 370，\ 351。

有沒有一種方法來編程檢測他們的字符？我更喜歡使用PHP的解決方案，但Perl或Java中的解決方案也會很有幫助。

Answer 1

您可以檢查與此正則表達式的字符串的UTF-8岬：

(^(?: 
[\x00-\x7f] | 
[\xc0-\xdf][\x80-\xff] | 
[\xe0-\xef][\x80-\xff]{2} | 
[\xf0-\xf7][\x80-\xff]{3} 
)*$)x 

Answer 2

你確定編碼不正確嗎？我沒有使用emacs，而是使用二進制文件查看器。有問題的位置的實際字節數是多少？

使用Java可以很容易地檢測到無效的UTF-8字節模式。我不確定默認的Charset支持是否可以處理它，但UTF-8非常簡單。我通常使用UTF-8 table here作爲有效字節序列的參考。

Answer 3

您可以通過加載文檔時發生的錯誤使用libxml_use_internal_errors和libxml_get_errors循環。你要找的錯誤代碼是XML_ERR_INVALID_CHAR = 9

<?php 
$xml = '<?xml version="1.0" encoding="utf-8"?> 
<a> 
    <b>' . chr(0xfd) . chr(0xff) . '</b> 
</a>'; 
libxml_use_internal_errors(true); 

$doc = new DOMDocument; 
$doc->loadxml($xml); 

foreach (libxml_get_errors() as $error) { 
    print_r($error); 
} 
libxml_clear_errors(); 

打印

LibXMLError Object 
(
    [level] => 3 
    [code] => 9 
    [column] => 5 
    [message] => Input is not proper UTF-8, indicate encoding ! 
Bytes: 0xFD 0xFF 0x3C 0x2F 

    [file] => 
    [line] => 3 
)