XMLReader編碼錯誤

Question

我有一個PHP腳本試圖解析一個巨大的XML文件。爲此，我使用XMLReader庫。在解析期間，我有這種編碼錯誤：

輸入不正確UTF-8，指示編碼！字節：0xA0 0x32 0x36 0x30

我想知道他們是否是一種跳過記錄與壞字符的方式。

謝謝！

Answer 1

首先，確保您的XML文件確實是UTF-8編碼的。如果沒有指定編碼作爲XMLReader::open()的第二個參數。

如果編碼錯誤是由於一個UTF-8文檔中的實際格式錯誤字節序列，並且如果你使用PHP> 5.2.0你可以通過LIBXML_NOERROR和/或（取決於誤差等級）LIBXML_NOWARNING作爲一個位掩碼到XMLReader::open()第三個參數：

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

如果your're使用PHP> 5.1.0你可以調整libXML錯誤處理。

// 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(); 

其實我不知道，如果前兩種解決方法實際上允許XMLReader繼續閱讀在一個錯誤的情況下，或者如果他們只取消錯誤輸出。但值得一試。

---

響應評價：

libXML定義XML_PARSE_RECOVER（1），但是EXT/libxml的不公開該常數作爲PHP恆定。也許可以將整數值1傳遞給$options參數。

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

Answer 2

如果您的XML文件結構非常簡單，您可以「預過濾」它以擺脫（甚至更好，更正確）錯誤的記錄。

通過記錄讀取記錄並寫出過濾的xml文件，然後處理過濾的文件。

Answer 3

我會聽聽XMLReader告訴你什麼。請記住，許多編碼都是ASCII的超集，因此（例如）UTF-8和ISO-8859-1與前128個編碼點的ASCII碼相同。很可能您的文件實際上編碼爲ISO-8859-1，但幾乎所有字符都來自該字符集的較低的ASCII一半。在這種情況下，錯誤將是您的錯誤，因爲它允許它使用XML的默認編碼UTF-8。

在ISO-8859-1中，字節序列0xA0 0x32 0x36 0x30是完全有效的：一個非中斷空間，後跟'2'，'6'，'0'。

Answer 4

 
$xml = file_get_contents('myxml.xml'); 
$xml = preg_replace('/[\x0-\x1f\x7f-\x9f]/u', ' ', $xml); 
//parse $xml below