SimpleXML 和中文

Question

我正忙于处理以下 RSS 提要：Yahoo Search RSS，获取数据后使用以下代码：

$response = simplexml_load_string($data);

但是，99% 的中文字符和字符串当我询问简单的 xml 对象时消失。

我尝试通过执行以下操作将传入数据转换为 utf8：

$data = iconv("UTF-8", "UTF-8//TRANSLIT", $data);

但这也没有帮助。

在数据到达 simplexml_load_string 之前，它 100% 正常。但后来就不是了。

有什么想法吗？

Answer 1

你所描述的听起来像是编码问题。编码就像一条链条，如果在处理过程中的某个部分被破坏，数据就会被损坏。

当你向RSS服务器请求数据时，你会得到特定字符编码的数据。您应该了解的第一件事是该数据的编码。

Data URL: http://tw.blog.search.yahoo.com/rss?ei=UTF-8&p=%E6%95%B8%E4%BD%8D%E6%99%82%E4%BB%A3%20%E9%9B%9C%E8%AA%8C&pvid=QAEnPXeg.ioIuO7iSzUg9wQIc1LBPk3uWh8ABnsa

根据网站标头，编码为UTF-8。这是标准的 XML 编码。

但是，如果数据不是 UTF-8 编码，而标头如此说明，则需要找出数据的正确编码并将其转换为 UTF-8，然后再继续。

接下来要检查的是 simplexml_load_string() 是否能够处理 UTF-8 数据。

我不使用 simplexml，我使用 DomDocument。所以我不能说是或不是。不过，我建议您改用 DomDocument 。它绝对支持 UTF-8 加载，并且它返回的所有数据也以 UTF-8 编码。不过，您应该放心地假设 simplexml 也可以正确处理 UTF-8。

链条的下一部分是您的显示器。您写道您的数据已损坏。你怎么能这么说呢？如何询问 simplexml 对象？

---

重新审视编码链

如前所述，编码就像一条链。如果其中一个元件损坏，整个结果就会受损。为了找出哪里出了问题，必须单独检查每个元素。这里您的目标编码是 UTF-8。

• 输入数据：所有检查正常：
• 检查：编码数据似乎是UTF-8？结果：是的。从给定的数据 URL 获取的输入数据确实验证了 UTF-8 编码。这可以用提供的数据进行正确的测试。
• 检查：原始 xml 数据是否将自身标记为 UTF-8 编码？结果：是的。这可以在第一个字节内进行验证：。
• 简单XML数据：
• 检查：simple_xml是否支持UTF-8编码？结果：是的。
• 检查：simple_xml 是否返回 UTF-8 编码的值？结果：是和否。通常 simple_xml 支持包含 UTF-8 编码文本的属性，但是带有 xml 数据的 simple_xml 对象实例的 var_dump() 表明它不支持 CDATA。 CDATA 用于相关数据。 CDATA 元素将被丢弃。

此时，这看起来像是您面临的错误。但是，您可以将所有 CDATA 元素转换为文本。为此，您需要在加载 XML 数据时指定一个选项。该选项是一个名为 LIBXML_NOCDATA 的常量它将合并 CDATA 作为文本节点。

以下是我用于上述测试的示例代码，并演示了如何使用该选项：

$data_url = 'http://tw.blog.search.yahoo.com/rss?ei=UTF-8&p=%E6%95%B8%E4%BD%8D%E6%99%82%E4%BB%A3%20%E9%9B%9C%E8%AA%8C&pvid=QAEnPXeg.ioIuO7iSzUg9wQIc1LBPk3uWh8ABnsa';
$xml_data = file_get_contents($data_url);

$inspect = 256;
echo "First $inspect bytes out of ", count($xml_data),":\n", wordwrap(substr($xml_data, 0, $inspect)), "\n";
echo "UTF-8 test: ", var_dump(can_be_valid_utf8_statemachine($xml_data)), "\n";

$simple_xml = simplexml_load_string($xml_data, null, LIBXML_NOCDATA);
var_dump($simple_xml);


/**
 * Bitwise check a string if it would validate 
 * as utf-8.
 *
 * @param string $str
 * @return bool
 */
function can_be_valid_utf8_statemachine( $str ) { 
    $length = strlen($str); 
    for ($i=0; $i < $length; $i++) { 
        $c = ord($str[$i]); 
        if ($c < 0x80) $n = 0; # 0bbbbbbb 
        elseif (($c & 0xE0) == 0xC0) $n=1; # 110bbbbb 
        elseif (($c & 0xF0) == 0xE0) $n=2; # 1110bbbb 
        elseif (($c & 0xF8) == 0xF0) $n=3; # 11110bbb 
        elseif (($c & 0xFC) == 0xF8) $n=4; # 111110bb 
        else return false; # Does not match 
        for ($j=0; $j<$n; $j++) { # n bytes matching 10bbbbbb follow ? 
            if ((++$i == $length) || ((ord($str[$i]) & 0xC0) != 0x80)) 
                return false; 
        } 
    } 
    return true; 
}

我认为这将解决您的问题。如果不是，DomDocument 能够处理 CDATA 元素。由于编码链没有经过进一步测试，在进一步处理数据时您可能仍然会遇到编码问题，因此请注意将编码保持在输出中。

Answer 2

我在这里看了一下：
Simplexml_load_string() 无法解析错误
按照它所说的去做之后（

 $data = file_get_contents('http://tw.blog.search.yahoo.com/rss?ei=UTF-8&p=%E6%95%B8%E4%BD%8D%E6%99%82%E4%BB%A3%20%E9%9B%9C%E8%AA%8C&pvid=QAEnPXeg.ioIuO7iSzUg9wQIc1LBPk3uWh8ABnsa');

$data = iconv("GB18030", "utf-8", $data);

$response = simplexml_load_string($data);

）
我可以看到中文字符，但出现解析错误。

Answer 3

PHP 编码问题的原因有很多。我会检查：

• mb_internal_encoding
• iconv_set_encoding
• 并确保XML文档中的编码是UTF-8