unicode 和简单 xml 错误

Question

我尝试使用简单 XML 将字符串添加到 XML 对象。

示例 (http://ideone.com/L4ztum)：

 $str = "<aoc> САМОЛЕТОМ ТК Адамант,  г.Домодедово, мкр-н Востряково, Центральный просп. д.12</aoc>";

$movies = new SimpleXMLElement($str);

但它给出了一个警告：

PHP 警告：SimpleXMLElement::__construct(): Entity: line 1: parser error: PCDATA invalid Char value 2 in /home/nmo2E7/prog.php on line 5

最后是一个带有消息的异常String could not be parsed as XML。

如果我删除两个 Unicode 字符，它会起作用 (http://ideone.com/LaMvHN)：

$str = "<aoc> САМОЛЕТОМ ТК Адамант,  г.Домодедово, мкр-н Востряково, Центральный просп. д.12</aoc>";
                          ^
                           `-- two invisible characters have been removed here

如何从字符串中删除 Unicode？​​p>

Answer 1

SimepleXMLElement 的构造函数需要它的第一个参数是格式良好的 XML。

你传递的字符串

$str = "<aoc> САМОЛЕТОМ\x02\x01 ТК Адамант,  г.Домодедово, мкр-н Востряково, Центральный просп. д.12</aoc>";

不是格式良好的 XML，因为它包含 character-range of XML 之外的字符，即：

• Unicode 字符 'START OF TEXT' (U+0002) 在二进制偏移 24 处
• 二进制偏移量 25 处的 Unicode 字符 'START OF HEADING' (U+0001)

因此，不要使用 SimpleXMLElement 从手工修改的 XML 字符串（ 容易出错）创建它，而是使用它来创建你想要的 XML寻找。举个例子吧。

在下面的示例中，我假设您已经获得了要为其创建 XML 元素的文本。此示例创建一个类似于您问题中的 XML 元素，不同之处在于将完全相同的字符串作为文档元素 ("<aoc>") 的文本内容传入。

$text     = 'САМОЛЕТОМ ТК Адамант,  г.Домодедово, мкр-н Востряково, Центральный просп. д.12';
$xml      = new SimpleXMLElement('<?xml version="1.0" encoding="UTF-8"?><aoc/>');
$xml->{0} = $text; // set the document-element's text-content to $text

这样做后，SimpleXML 将为您过滤所有无效的控制字符，并且 SimpleXMLElement 保持稳定：

$str    = $xml->asXML();
$movies = new SimpleXMLElement($str);
print_r($movies);

/* output:

SimpleXMLElement Object
(
    [0] => САМОЛЕТОМ ТК Адамант,  г.Домодедово, мкр-н Востряково, Центральный просп. д.12
)

*/

所以最后回答你的问题：

如何从字符串中删除 Unicode？​​p>

您不想从字符串中删除 Unicode。 SimpleXML 库仅接受 Unicode 字符串（采用 UTF-8 编码）。您想要的是删除对 XML 使用无效的 Unicode 字符。当您设置节点值时，SimpleXML 库会为您做到这一点。

但是，如果您尝试通过构造函数或构造函数（simplexml_load_string 等）加载格式不正确的 XML，它将失败并给您（重要的）错误。

我希望这可以为您澄清情况并回答您的问题。

Answer 2

它不是 Unicode，而是两个杂散字节，值 \x01 和 \x02。您可以使用str_replace 过滤掉它们：

$s = str_replace("\x01", "", $s);
$s = str_replace("\x02", "", $s);