由于长 UTF 字符，XML 格式不正确

Question

好的，我希望有人能提供帮助，因为我还没有找到解决方案。

在数据库中，客户设法从不同的字符集中导入或添加字符数据，例如：

  <E2><80><99>

我相信这是 UTF-16。

我的脚本的 XML 输出由于此数据而引发错误（它从数据库中提取字符串，例如“描述”字段并构建 XML 文件）。

XML 解析错误：格式不正确 第 20 行，第 50 列。

还有其他一些更长的十六进制，例如 （只是一个例子，我不确定这是否是一个实际字符）。

如何使我的 XML 文件有效，并缩小字符集或使其使用 UTF-32，如下所示：

  AddType "application/xml; charset=UTF-32" xml  (in .htaccess file along with filesmatch .xml)


  <?xml version='1.0' encoding='UTF-32' ?>   (placed in head of xml file)

Answer 1

无论它是什么：UTF-8、-16 或 -32 - 如果您为输出选择其他编码，则必须（如果不同）首先重新编码您的输入以输出。

您在问题中明确表示您不知道输入编码到底是什么。这是您需要弄清楚的一点，因为编码是元信息。您需要正确了解它才能处理字符串。从您分享的内容来看，输入似乎是 UTF-8 编码的。您应该验证 (How to detect malformed utf-8 string in PHP?)。

接下来的事情是，格式错误不一定意味着编码问题（但它可以）。只要您不分享问题的根源（最好在文本形式旁边以及with a hex-dump），对于我要说的当前信息，没有太多建议。