涉及unicode和简单xml的错误

Question

我尝试用简单的XML向XML对象添加一个字符串。

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);

但它发出了警告：

PHP警告: SimpleXMLElement::__construct()：实体:第1行:解析器错误:第5行中的PCDATA无效Char值2 in /home/nmo2E7/prin.php

最后，不能将带有消息字符串的异常解析为XML。

如果删除两个Unicode字符，它可以工作(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？

Answer 1

它不是Unicode，而是两个杂散字节，值为\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);

Answer 2

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

你传递的绳子

$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XML的字符范围之外的字符，即：

• 二进制偏移量24处的Unicode字符‘开始文本’(U+0002)
• 二进制偏移量25处的Unicode字符‘开始标题’(U+0001)

因此，不要使用SimpleXMLElement从一个手工损坏的XML -字符串(这是容易出错的)创建它，使用它来创建您要寻找的XML。让我们举个例子。

在下面的示例中，我假设您获得了要创建XML元素的文本。这个示例创建了一个类似于问题中的XML元素，其区别在于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，SimpleXMLElement将为您过滤任何无效的控制字符，并且SimpleXML将保持稳定：

$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
)

*/

因此，最后要回答你的问题：

如何从字符串中删除Unicode？

您不希望从字符串中删除Unicode。SimpleXML库只接受Unicode字符串(在UTF-8编码中)。您需要的是删除对XML使用无效的Unicode字符。当您按照设计的方式设置节点值时，SimpleXML库会为您做这件事。

但是，如果您试图通过构造器或构造函数(simplexml_load_string等)加载格式不良好的XML，它将失败并给出(重要的)错误。

我希望这能澄清你的情况，并回答你的问题。