PHP 和处理 UTF-8 XML 的外来字符答案

【问题标题】：PHP and dealing with foreign characters for UTF-8 XMLPHP 和处理 UTF-8 XML 的外来字符
【发布时间】：2009-07-21 17:57:20
【问题描述】：

我目前正在从互联网上抓取一些数据并转换为 xml 文档。

根据元标记，被抓取的文档是 utf-8

问题是某些数据包含外来字符，我找不到可靠地将它们转换为 XML / utf-8 友好实体的方法，以下错误是我通过阅读设法找到的，我希望一个始终有效的解决方案。

示例 1 正常工作，示例 2 失败。我的研究修复了示例 1，但它似乎不是一揽子解决方案。

科特迪瓦科特迪瓦（正确）

我设法在我的 xpath 上使用以下函数正确解析 -ô。

$w->text(charset_decode_utf_8((string)$match->a));

function charset_decode_utf_8($string) {
    if(@!ereg("[\200-\237]",$string) && @!ereg("[\241-\377]",$string)) {
        return $string;
    }
$string = preg_replace("/([\340-\357])([\200-\277])([\200-\277])/e","'&#'.((ord('\\1')-224)*4096 + (ord('\\2')-128)*64 + (ord('\\3')-128)).';'",$string);
$string = preg_replace("/([\300-\337])([\200-\277])/e","'&#'.((ord('\\1')-192)*64+(ord('\\2')-128)).';'",$string);
return $string;
}

ÖFB斯蒂格杯 Ã–FB Stiegl 杯（错误）

不幸的是 - Ö - 它被转换为双重实体。我不知道如何将其转换为正确的 html 实体。

我试过了：

在创建我的 xml 文档时使用 iso-8859-1 编码
使用 utf-8 编码的 htmlentities

任何帮助都将不胜感激，因为我正在努力让事情正确保存。

【问题讨论】：

为什么不用字符本身呢？ UTF-8 可以编码任何 Unicode 字符。
请问这是什么意思。目前我保存我的 xml 文档，在浏览器中加载它，我看到了错误。
ok 试过了，查看时我看到：
```
 CÃ´te d'Ivoire Ã–FB Stiegl Cup Ykkönen 
```
他们看起来都错了 :(
看起来您正在提供 utf-8 编码的数据，但说“它都是 iso-8859 编码的”。您是否设置了正确的“Content-type:...; charset=utf-8”标头？也可以通过php.net/ini.core#ini.default-charset 完成

标签： php xml character-encoding

【解决方案1】：

UTF-8 可用于存储任何字符（证明？它将它们存储在您正在抓取的网页中）；那么，为什么要将一些编码为实体？

如果您打开 XML 文档并看到编码问题，请检查您的编辑器的参数：它是否尝试将文档分析为 UTF-8？（默认情况下，某些编辑器不会 - 如果您使用浏览器打开硬盘上的文档，它可能无法将其识别为 UTF-8，因为没有服务器可以发送任何表明它是 UTF-8 的标头）

如果不是这个问题，可以在某处上传有问题的 XML 文档示例吗？

【讨论】：

天啊！！！我刚准备上传文件，发现我用的是tidy，就是破坏人物。正如您和其他人正确提到的那样，它现在通过了正确的方式。真是个笨蛋：（非常感谢您的帮助。
没问题 :-) 并感谢您指出问题所在（可能对其他人有用 ;-)）

【解决方案2】：

不要为实体编码而烦恼。请改用 CDATA 块。

PHP 不理解 UTF-8。它认为这是一个字节流。最好这样对待。您正在四处穿梭，您需要做的就是确保它们不会被解析并且它们被正确标记。

【讨论】：