使用 PHP 读取 XML 时处理编码错误

Question

我正在使用 XMLReader 解析来自第 3 方的 XML。这些文件应该是 UTF-8，但我收到此错误：

解析器错误：输入不是正确的 UTF-8，指示编码！

字节：C 中的 0x11 0x72 0x20 0x41 :\file.php on line 166

在 notepad++ 中查看 XML 文件，很清楚导致此问题的原因：有一个控制字符 DC1 包含在有问题的行中。

XML 文件是由第三方提供的，我无法可靠地修复此问题/确保将来不会发生这种情况。有人可以推荐一个处理这个问题的好方法吗？我想删除控制字符——在这种特殊情况下，只需从 XML 文件中删除它就可以了——但我担心总是这样做可能会导致出现不可预见的问题。谢谢。

Answer 1

为什么第三方不能可靠地解决这个问题？如果他们的 XML 中有非法字符，我敢打赌这是一个有效的问题。

话虽如此，为什么不在使用 str_replace？

Answer 2

如果字符串是有效 UTF-8，则可以使用 str_replace()。请注意，str_replace() 将使用字节偏移量，因此您不再处理 PHP 字符串，而是处理字节字符串。

还有一个问题：如果您的第 3 方包含在 XML 中无用的随机空格和控制字符，您不妨假设它们最终会破坏 UTF-8。因此，在您确定当天当前的转储并非完全无用之前，您不能放心地使用 str_replace()（仅出于善意）。

也许您可以采取捷径，将其填充到 libxml DOMDocument 对象中，并使用 @ 抑制错误，让 libxml 库来处理错误。像这样的东西：

$doc = new DOMDocument();
if(@$doc->loadXML($raw_string)) {
  // document is loaded. time to normalize() it.
}
else {
  throw new Exception("This data is junk");
}

Answer 3

为什么您和第三方以 XML 形式交换数据？想必双方都希望通过使用 XML 而不是某种随机的专有格式来获得一些好处。如果您允许他们生成不良 XML（我更愿意将其称为非 XML），那么双方都无法获得这些好处。改正自己的方式符合他们的利益。尝试让他们相信这一点。