由于 UTF8 编码错误而导致 XML 读取错误

Question

我正在尝试创建一个脚本来将我的评论导出到 Disqus，为此，我需要创建一个巨大的 XML 文件。

我在 UTF 8 编码方面遇到问题。假设该文件采用 UTF-8 格式，但我需要进行 utf8_decode 才能正确显示我的西班牙语元素。

生成的文件如下：

<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0"
    xmlns:content="http://purl.org/rss/1.0/modules/content/"
    xmlns:dsq="http://www.disqus.com/"
    xmlns:dc="http://purl.org/dc/elements/1.1/"
    xmlns:wp="http://wordpress.org/export/1.0/"
>
<channel>
    <wp:comment>
        <wp:comment_id>26</wp:comment_id>
        <wp:comment_author>KA_DIE</wp:comment_author>
        <wp:comment_author_email> </wp:comment_author_email>
        <wp:comment_author_url></wp:comment_author_url>
        <wp:comment_author_IP> </wp:comment_author_IP>
        <wp:comment_date_gmt>2009-07-16 18:53:19</wp:comment_date_gmt>
        <wp:comment_content><![CDATA[WTF TEH Gladios en español <br />tnx tnx <br />me usta mucho esa web estoy pendiente mucho se su actualziacion es buen saber ke esta en español <br />x que solo entendia el 80, 90% de la paguina jiji]]></wp:comment_content>
        <wp:comment_approved>1</wp:comment_approved>
        <wp:comment_parent>0</wp:comment_parent>
    </wp:comment>
</channel>
</rss>

出于安全原因删除数据，例如 IP 或电子邮件。正如你所看到的，它包含“ñ”字母。但显示的 XML 会引发错误：

XML 读取错误：组成不良

我不知道确切的翻译，但它在内容行中崩溃。代码是这样生成的：

public function generateXmlElement (){
            $xml = "<wp:comment>
                        <wp:comment_id>$this->id</wp:comment_id>
                        <wp:comment_author>$this->author</wp:comment_author>
                        <wp:comment_author_email>$this->author_email</wp:comment_author_email>
                        <wp:comment_author_url>$this->author_url</wp:comment_author_url>
                        <wp:comment_author_IP>$this->author_ip</wp:comment_author_IP>
                        <wp:comment_date_gmt>$this->date</wp:comment_date_gmt>
                        <wp:comment_content><![CDATA[$this->content]]></wp:comment_content>
                        <wp:comment_approved>$this->approved</wp:comment_approved>
                        <wp:comment_parent>0</wp:comment_parent>
            </wp:comment>";
            return $xml;
        }

然后 fwrite 到文件。

你知道应该是什么问题吗？

Answer 1

问题很可能是您的 XML 不是 UTF-8 编码的，而是实际上是其他编码的（ISO-8859-1？）。字符“ñ”(U+00F1) 在 UTF-8 中编码为 2 个八位字节 0xC3B1。在 Windows 1252 代码页和 ISO-8859 编码中，“ñ”是单个八位字节 0xF1。

您的 XML 文件的开头是否有 Unicode BOM (U+FEFF)？ BOM（如果存在）指示编码和字节顺序。

• 0xEFBBBF：UTF-8。字节顺序并不重要。
• 字节顺序对于 UTF-16 和 UTF-32 很重要：
  • 0xFFFE：UTF-16，小尾数
  • 0xFEFF：（大端）
  • 0xFFFE0000：UTF-32，小尾数
  • 0x0000FEFF：UTF-32，大尾数

XML 标准规定，如果不存在 BOM 并且不存在指示编码的 XML 声明，则文档应为默认情况下解释为 UTF-8 编码。我认为，如果 BOM（如果存在）和 XML 声明中指定的编码之间存在差异，会发生什么情况，这一点是模糊的。

您的文件可能有不正确的 XML 声明（例如，XML 声明不应显示 UTF-8，而应显示类似 ISO-8859-1 的内容。

Answer 2

您应该使用适当的 XML 库来生成 XML。 LibXML2 与 PHP 捆绑在一起，可以从 PHP 的 DOM API 访问。这将处理编码问题等。与此类事情的通常情况一样，这是一项前期学习投资，其好处不会立即显现出来。但有一个好处。