使用扩展的 ASCII 解码 HTML 编码的字符答案

【问题标题】：Decode HTML-encoded characters with extended ASCII使用扩展的 ASCII 解码 HTML 编码的字符
【发布时间】：2016-01-25 16:19:50
【问题描述】：

我有一个带有特殊字符的 XML 编码为 xx;在里面。只要我将这些字符输出到浏览器，就可以正常工作，因为它们是 HTML 编码（有点）。但我需要使用simplexml_load_string 读取 XML 文件，这会导致某些字符出现垃圾，因为它们位于扩展的 ASCII 表中。

例如：

&#154; 转换为 š - 但是当我尝试使用 html_entity_decode 时，我得到一个空字符。

我几乎尝试了从 iconv 到 mb_decode_numericentity 的所有方法 - 没有任何效果。

我如何转换那些 xx;给真正的角色？？？

[编辑] 我发现这张表http://www.ascii-code.com 声称&#154; 是使用ISO-8859-1 的扩展ASCII 字符我很困惑...

【问题讨论】：

鉴于你的例子应该解码成š，你没有使用utf-8编码而是一些iso。就个人而言，我会切换到 utf-8，但这不是重点。我的猜测是您需要指示 html_entity_decode() 坚持您喜欢的编码，而不是采用 php.ini 中指定的默认编码。
谢谢卡雷尔 - 我实际上尝试过，使用 html_entity_decode() 支持的所有编码 - 但它们都不起作用:(
听起来像是对 HTML 实体的非标准和/或可能已过时的用法。不确定是否有任何标准的 PHP 函数可以处理这个问题。也许你必须编写一个自定义的preg_replace_callback 函数或类似的函数来解码这些特定的代码点。
这绝对不是标准的。 XML 由一些第 3 方公司提供。我不知道他们为什么要这样做。有趣的是，当我将“”添加到谷歌搜索字段时，它会将其转换为 š - 所以如果他们能做到，我为什么不能呢？ ;)

【解决方案1】：

您显然正在处理两个在打印时看起来几乎相同的不同字符：

我发现我的字体或文本编辑器都不能正确处理第二个。所以你很可能会因为这个确切的原因得到一个空白字符。

第二个似乎是某种weird control character，我无法理解其确切目的：

后跟单个可打印字符（0x20 到 0x7E）或格式效应器（0x08 到 0x0D）。目的是提供一种手段通过哪个控制功能或图形字符，将无论使用哪个图形或控件集都可用可以定义。以下字节将调用的内容的定义从未在国际标准中实施。不属于 ISO/IEC 6429 第一版

值得注意的是，character references in XML 使用来自固定编码（某些 UCS 变体）的数字代码。如果 XML 文件的作者不遵循此约定，您将面临无效的 XML（有效地阻止它被 XML 库解析的东西）或包含损坏数据的有效 XML（最多，将需要繁琐的后处理）。

【讨论】：

谢谢阿尔瓦罗。但它绝对应该转换为第一个 (š)，因为它是具有该字符的名称的一部分。正如我在编辑中提到的，我发现是 windows-1252 ASCII 表的一部分。但即使我尝试 html_entity_decode('', ENT_COMPAT, 'Windows-1252')，我得到一个空白输出。
You can't choose the encoding of XML entities。无论如何，不要相信渲染的字符；改用十六进制编辑器或通过 bin2hex() 打印数据（如果没有的话）。