XMLReader 编码错误答案

【问题标题】：XMLReader encoding errorXMLReader 编码错误
【发布时间】：2009-05-04 09:19:52
【问题描述】：

我有一个 PHP 脚本试图解析一个巨大的 XML 文件。为此，我使用 XMLReader 库。在解析过程中，我有这个编码错误：

输入不是正确的UTF-8，表示编码！字节：0xA0 0x32 0x36 0x30

我想知道它们是否是一种跳过带有坏字符的记录的方法。

谢谢！

【问题讨论】：

标签： php encoding xmlreader

【解决方案1】：

首先，确保您的 XML 文件确实是 UTF-8 编码的。如果不指定编码作为XMLReader::open()的第二个参数。

如果编码错误是由于 UTF-8 文档中的真正格式错误的字节序列造成的，并且如果您使用 PHP > 5.2.0，则可以传递 LIBXML_NOERROR 和/或（取决于错误级别）LIBXML_NOWARNING作为XMLReader::open()的第三个参数的位掩码：

$xml = new XMLReader(); 
$xml->open('myxml.xml', null, LIBXML_NOERROR | LIBXML_NOWARNING);

如果您使用的是 PHP > 5.1.0，您可以调整 libXML 错误处理。

// enable user error handling
libxml_use_internal_errors(true);
/* ... do your XML processing ... */
$errors = libxml_get_errors();
foreach ($errors as $error) {
    // handle errors here
}
libxml_clear_errors();

我实际上不知道前面的两个变通办法是否真的允许XMLReader 在出现错误时继续阅读，或者它们是否只抑制错误输出。但值得一试。

回复评论：

libXML 定义了XML_PARSE_RECOVER (1) 但 ext/libxml 不会将此常量公开为 PHP 常量。也许可以将整数值1 传递给$options 参数。

$xml = new XMLReader(); 
$xml->open('myxml.xml', null, LIBXML_NOERROR | LIBXML_NOWARNING | 1);

【讨论】：

我尝试在处理我的 XML 文件之前调用 libxml_use_internal_errors(true) 函数并将“LIBXML_NOERROR | LIBXML_NOWARNING”掩码添加到 XMLReader::open()。这非常有用，但是当发现编码错误时解析仍然会停止。如果发现错误，您是否知道他们是否有任何方法告诉 libxml 继续解析。
已编辑关于评论的答案。
我尝试将整数值 1 传递给 $options 参数，但行为没有改变。发现编码错误时停止解析。
而且您确定 XML 文件是 UTF-8 编码的并且 XMLReader 遇到的字节序列真的只是错误的？
我无法确定，因为文件非常大 (>1Go) 并且是由客户端生成的。

【解决方案2】：

我会听听 XMLReader 告诉你什么。请记住，许多编码是 ASCII 的超集，因此（例如）UTF-8 和 ISO-8859-1 与前 128 个代码点的 ASCII 相同。很可能您的文件确实编码为 ISO-8859-1，但其中几乎所有字符都来自该字符集的较低 ASCII 一半。在这种情况下，错误将是你让它使用 XML 的默认编码 UTF-8。

在 ISO-8859-1 中，字节序列 0xA0 0x32 0x36 0x30 完全有效：一个不间断的空格，后跟“2”、“6”、“0”。

【讨论】：

【解决方案3】：

如果您的 XML 文件具有非常简单的结构，您可以“预过滤”它以去除（或者甚至更好地纠正）错误的记录。

逐条读取并写出过滤后的xml文件，然后处理过滤后的文件。

【讨论】：

【解决方案4】：

$xml = file_get_contents('myxml.xml'); $xml = preg_replace('/[\x0-\x1f\x7f-\x9f]/u', ' ', $xml); //解析下面的$xml

【讨论】：

如果您要注意性能和所使用的内存量，那么将一个巨大的 XML 文件拉入一个字符串并不是一个很好的选择。