加载带有 HTML 特殊字符的 DOMDocument (php)答案

【问题标题】：load DOMDocument with HTML Special Characters (php)加载带有 HTML 特殊字符的 DOMDocument (php)
【发布时间】：2011-04-23 02:53:40
【问题描述】：

我在用 php 加载 xml 文件时遇到问题。我使用 DOMDocument，因为我需要函数 getElementsByTagName。
我使用这个代码。

$dom = new DomDocument('1.0', 'UTF-8');
$dom->resolveExternals = false;
$dom->load($_FILES["file"]["tmp_name"]);

<?xml version="1.0" encoding="UTF-8"?>
<Data>
  <value>1796563</value>
  <value>Verliebt! &rsquo;</value>
</Data>

错误消息：
警告：DOMDocument::load() [domdocument.load]: Entity 'rsquo' not defined in /tmp/php1VRb3N, line: 4 in /www/htdocs/bla/upload.php on line 51

【问题讨论】：

标签： php xml dom load domdocument

【解决方案1】：

在 bobince 的帮助下，我的解决方案是：

    $xml= file_get_contents($_FILES['file']['tmp_name']);
    $xml= preg_replace('/&(\w+);/', '', $xml);
    $dom = new DomDocument();
    $dom->loadXML($xml);

【讨论】：

这也将丢弃所有 XML 预定义实体引用，例如 &amp; 和 &lt;。你确定要这样做吗？
是的，没关系。在我的文件中没有像 &amp; 或 &lt; 这样的 XML 预定义实体引用。

【解决方案2】：

您的 XML 解析器没有说谎。这是一个无效的（甚至不是格式正确的）文档，您将无法加载任何内容。

rsquo 是 HTML 中的预定义实体，但不是 XML。在 XML 文档中，如果您想使用除最基本的内置实体（amp、lt、gt、quot 和 apos）之外的任何内容，则必须在由 @ 引用的 DTD 中定义它们987654327@ 声明。（这就是 XHTML 的做法。）

您需要找出输入的来源并修复造成它的原因，因为目前它根本不是 XML。在 UTF-8 编码中使用字符引用 (&#8217;) 或仅使用纯文字字符 ’。

作为最后的手段，如果您真的必须接受这种格式错误的无意义输入，您可以对文件进行令人讨厌的字符串替换：

$xml= file_get_contents($_FILES['file']['tmp_name']);
$xml= str_replace('&rsquo;', '&#8217;', $xml);
$dom->loadXML(xml);

如果您需要对所有非 XML HTML 实体执行此操作，而不仅仅是 rsquo，那就有点棘手了。你可以做一个正则表达式替换：

function only_html_entity_decode($match) {
    if (in_array($match[1], array('amp', 'lt', 'gt', 'quot', 'apos')))
        return $match[0];
    else
        return html_entity_decode($match[0], ENT_COMPAT, 'UTF-8');
}
$xml= preg_replace_callback('/&(\w+);/', 'only_html_entity_decode', $xml);

这仍然不是很好，因为它会在诸如 cmets、CDATA 部分和 PI 之类的地方破坏任何 &\w+; 字符序列，这实际上并不意味着实体引用。但考虑到这种损坏的输入，这可能是你能做的最好的事情了。

这肯定比在整个文档上调用html_entity_decode 更好，这也会弄乱任何XML 实体引用，导致文档在存在&amp; 或&lt; 时中断。

另一个以不同方式存在问题的 hack 是使用 loadHTML() 加载文档。

【讨论】：

【解决方案3】：

为了使用该实体，它必须在 DTD 中定义。否则它是无效的 XML。如果您没有 DTD，则应在使用 DOM 加载 XML 之前对实体进行解码：

$dom->load(
    html_entity_decode(
        file_get_contents($_FILES["file"]["tmp_name"]), 
        ENT_COMPAT, 'UTF-8'));

【讨论】：