如何从 xml 文件中删除非法字符？答案

【问题标题】：How do you remove illegal characters from an xml file?如何从 xml 文件中删除非法字符？
【发布时间】：2010-12-27 17:51:34
【问题描述】：

我正在使用 PHP SimpleXML 方式在我的服务器上处理 XML 文件。我只需要阅读XML的内容（我不需要修改它）所以我坚持使用简单易用的SimpleXML。但是 SimpleXML 在读取某个 XML 文件时遇到问题，因为它有一些非常奇怪的字符。我收到以下错误：

警告：simplexml_load_file() [function.simplexml-load-file]: data/data.xml:348: parser error : PCDATA invalid Char value 3 in C:\xampp\htdocs\VMP\xintel\analyzer.php on第 54 行

警告：simplexml_load_file() [function.simplexml-load-file]：Jardin al fte。 Hall de recepcion，放大生活喜剧演员。第 54 行 C:\xampp\htdocs\VMP\xintel\analyzer.php 中的 ocina comedor diario c

我无法控制 XML 文件中的内容，因此我无法阻止将这些字符添加到文件中。另外，我不知道如何解决这个问题。该文件应该以 utf-8 编码。所以我尝试了从 UTF-8 解码到 ISO-8859-1 以及相反的方法，但没有任何反应。

有人可以帮帮我吗？我应该尝试更改编码吗？我应该尝试删除这些字符吗？有什么事吗？

编辑：stangre 字符都是画框字符（参见：http://en.wikipedia.org/wiki/Box-drawing_characters）

【问题讨论】：

如果文件包含非法的 XML 字符，那么它就不是 XML 文件，使用 XML 解析器也无济于事。
嗯，我可以看到非法字符导致 xml 解析器崩溃。

标签： xml encoding character-encoding

【解决方案1】：

也许您可以通过Tidy 传递输入以使其格式正确。将文件提供给 SimpleXML 之前的简单预处理步骤。

例如，tidy::repairFile 看起来很有希望。

【讨论】：

【解决方案2】：

通常 XML 文件的所有字符都会被解释，除非它们进入 CDATA 部分 => link text

如果不是这样，您的 XML 无效。

【讨论】：

问题是当一个无效的XML文件不在你的控制之下时如何处理它。
我可以肯定地说，xml 中的所有文本都放在 CDATA 块中。所以所有这些字符都可以在 CDATA 中找到。
嗯，是的，但是就像我在之前的评论中所说，我什至无法粘贴奇怪的字符。
您无法在某处提供文件？

【解决方案3】：

我有一个应用程序从不受信任的来源接收 XML，其中许多向我发送未编码的 & 符号。为了解决这个问题，我有一个中间过滤器，它执行一次线性传递并在必要时去除/编码字符。我不知道这对你来说是否可行，但我认为这是一个非常合理的解决方案。

【讨论】：

好的，我明白你在说什么。但我不知道该怎么做。您的应用是否更改了编码，或者它实际上是否用字符编码替换了有问题的字符？
对不起，当我说“编码”时，我指的不是字符集。例如，在原始 & 符号的情况下，它将被替换为 & -- 然后，您需要确保此 & 符号不是有效编码的一部分，或者在处理完成后进行解码。
我想这就是我要做的。最好的方法是重新编码整个 xml 文件，以便将来脚本在遇到我无法检查的字符时不会崩溃。
当然，这个过滤步骤不必完全在内存中完成。您可以覆盖磁盘上的 XML。