XMLReader编码错误

Question

我有一个PHP脚本，它试图解析一个巨大的XML文件。为此，我使用了XMLReader库。在解析过程中，我遇到了这样的编码错误：

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

我想知道它们是否是一种跳过包含错误字符的记录的方法。

谢谢!

Answer 1

首先，确保您的XML文件确实是UTF-8编码的。如果不是，则将编码指定为XMLReader::open()的第二个参数。

如果编码错误是由于UTF-8文档中的实际错误字节序列造成的，并且如果您使用的是PHP > 5.2.0，则可以将LIBXML_NOERROR和/或(取决于错误级别) LIBXML_NOWARNING作为位掩码传递给XMLReader::open()的第三个参数

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

如果你使用的是PHP > 5.1.0，你可以调整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();

实际上，我不知道前面两个变通方法实际上是否允许XMLReader在发生错误时继续读取，或者它们是否只禁止错误输出。但这值得一试。

回复评论：

libXML定义了XML_PARSE_RECOVER (1)，但是ext/libxml没有将这个常量公开为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); 

Answer 2

我会听听XMLReader对你说的话。请记住，许多编码都是ASCII的超集，因此(例如)对于前128个代码点，UTF-8和ISO-8859-1与ASCII相同。很可能您的文件实际上是按照ISO-8859-1编码的，但中的几乎所有字符都来自该字符集的较低的ASCII半部分。在这种情况下，如果让它使用XML的默认编码UTF-8，那么错误就是您的了。

在ISO-8859-1中，字节序列0xA0 0x32 0x36 0x30是完全有效的:后跟“2”、“6”、“0”的不间断空格。

Answer 3

如果您的XML文件的结构非常简单，那么您可以对其进行“预过滤”，以去除(或者更好地，纠正)错误的记录。

逐条记录读取并写出过滤后的xml文件，然后对过滤后的文件进行处理。