PHP - 处理无效的 XML

Question

我正在使用 SimpleXML 加载一些 xml 文件（这些文件不是我编写/提供的，也不能真正更改其格式）。

有时（例如，每 50 个左右文件中的一两个文件）它们不会转义任何特殊字符（主要是 &，但有时也有其他随机无效的字符）。这会产生问题，因为带有 php 的 SimpleXML 失败了，而且我真的不知道有什么好方法来处理解析无效的 XML。

我的第一个想法是将 XML 作为字符串进行预处理，并将所有字段作为 CDATA 放入，这样它就可以工作，但由于某些不合理的原因，我需要处理的 XML 将其所有数据放入属性字段中。因此我不能使用 CDATA 的想法。 XML 的一个示例是：

 <Author v="By Someone & Someone" />

在使用 SimpleXML 加载 XML 之前，处理此问题以替换 XML 中的所有无效字符的最佳方法是什么？

Answer 1

您需要的是使用 libxml 的内部错误来定位无效字符并相应地转义它们。这是我如何编写它的模型。查看 libxml_get_errors() 的结果以获取错误信息。

function load_invalid_xml($xml)
{
    $use_internal_errors = libxml_use_internal_errors(true);
    libxml_clear_errors(true);

    $sxe = simplexml_load_string($xml);

    if ($sxe)
    {
        return $sxe;
    }

    $fixed_xml = '';
    $last_pos  = 0;

    foreach (libxml_get_errors() as $error)
    {
        // $pos is the position of the faulty character,
        // you have to compute it yourself
        $pos = compute_position($error->line, $error->column);
        $fixed_xml .= substr($xml, $last_pos, $pos - $last_pos) . htmlspecialchars($xml[$pos]);
        $last_pos = $pos + 1;
    }
    $fixed_xml .= substr($xml, $last_pos);

    libxml_use_internal_errors($use_internal_errors);

    return simplexml_load_string($fixed_xml);
}

Answer 2

我认为创建compute_position函数的解决方法是在处理之前使xml字符串变平。
重写 Josh 发布的代码：

function load_invalid_xml($xml)
{
    $use_internal_errors = libxml_use_internal_errors(true);
    libxml_clear_errors(true);

    $sxe = simplexml_load_string($xml);

    if ($sxe)
    {
        return $sxe;
    }

    $fixed_xml = '';
    $last_pos  = 0;

    // make string flat
    $xml = str_replace(array("\r\n", "\r", "\n"), "", $xml);

    // get file encoding
    $encoding = mb_detect_encoding($xml);

    foreach (libxml_get_errors() as $error)
    {
        $pos = $error->column;
        $invalid_char = mb_substr($xml, $pos, 1, $encoding);
        $fixed_xml .= substr($xml, $last_pos, $pos - $last_pos) . htmlspecialchars($invalid_char);
        $last_pos = $pos + 1;
    }
    $fixed_xml .= substr($xml, $last_pos);

    libxml_use_internal_errors($use_internal_errors);

    return simplexml_load_string($fixed_xml);
}

我添加了编码内容，因为我在使用简单的 array[index] 方式从字符串获取字符时遇到了问题。

这一切都应该有效，但是，不知道为什么，我看到 $error->column 给了我一个与应有的数字不同的数字。尝试通过简单地在 xml 中添加一些无效字符并检查它将返回什么值来调试此问题，但没有成功。
希望有人能告诉我这种方法有什么问题。

Answer 3

尽管这个问题已经存在 10 年了（当我输入这个问题时），我仍然遇到类似的 XML 解析问题 (PHP8.1)，这就是我最终来到这里的原因。已经给出的答案很有帮助，但要么不完整、不一致，要么不适合我的问题，我也怀疑原始海报。

检查内部 XML 解析问题似乎是正确的，但有 735 个错误代码（请参阅 https://gnome.pages.gitlab.gnome.org/libxml2/devhelp/libxml2-xmlerror.html），因此更具适应性的解决方案似乎更合适。

我在上面使用了“不一致”这个词，因为其他最好的答案（@Adam Szmyd）将多字节字符串处理与非多字节字符串处理混合在一起。

下面的代码使用 Adam 的作为基础，我根据我的情况重新编写了它，我觉得可以根据实际遇到的问题进一步扩展。所以，我也不完整——抱歉！

这段代码的本质是，它将“每个”（在我的实现中，只有 1 个）XML 解析错误作为单独的情况进行处理。我遇到的错误是无法识别的 HTML 实体 (ç - ç)，因此我使用 PHP 实体替换。

function load_invalid_xml($xml)
{
    $use_internal_errors = libxml_use_internal_errors(true);
    libxml_clear_errors(true);

    $sxe = simplexml_load_string($xml);

    if ($sxe)
        return $sxe;

    $fixed_xml = '';
    $last_pos  = 0;

    // make string flat
    $xmlFlat = mb_ereg_replace( '(\r\n|\r|\n)', '', $xml );

    // Regenerate the error but using the flattened source so error offsets are directly relevant
    libxml_clear_errors();
    $xml_doc = @simplexml_load_string( $xmlFlat );

    foreach (libxml_get_errors() as $error)
    {
        $pos = $error->column - 1; // ->column appears to be 1 based, not 0 based

        switch( $error->code ) {

            case 26: // error undeclared entity
            case 27: // warning undeclared entity
                if ($pos >= 0) { // the PHP docs suggest this not always set (in which case ->column is == 0)

                    $left = mb_substr( $xmlFlat, 0, $pos );
                    $amp = mb_strrpos( $left, '&' );

                    if ($amp !== false) {

                        $entity = mb_substr( $left, $amp );
                        $fixed_xml .= mb_substr( $xmlFlat, $last_pos, $amp - $last_pos )
                            . html_entity_decode( $entity );
                        $last_pos = $pos;
                    }
                }
                break;

            default:
        }
    }
    $fixed_xml .= mb_substr($xml, $last_pos);

    libxml_use_internal_errors($use_internal_errors);

    return simplexml_load_string($fixed_xml);
}