在使用DOMDocument函数进行处理之前，修复PHP中格式错误的XML

Question

我需要将XML文档从外部源加载到PHP中。XML未声明其编码，并且包含非法字符，如&。如果尝试直接在浏览器中加载XML文档，则在用PHP加载文件时也会收到诸如“在文本内容中发现无效字符”之类的错误消息，并且还会收到很多警告，例如：xmlParseEntityRef: no name in Entity和Input is not proper UTF-8, indicate encoding ! Bytes: 0x9C 0x31 0x21 0x3C。

显然，XML格式不正确，并且包含应转换为XML实体的非法字符。

这是因为XML提要由许多其他用户提供的数据组成，并且很明显，在我获得它之前，尚未对其进行验证或重新格式化。

我已经与XML feed的供应商进行了交谈，他们说他们正试图让内容提供商对其进行分类，但这似乎很愚蠢，因为他们应该首先验证输入。

我基本上需要修复XML，以纠正任何编码错误并将任何非法字符转换为XML实体，以便在使用PHP的DOMDocument函数时XML加载问题。

我的代码当前如下所示：

  $feedURL = '3704017_14022010_050004.xml';
  $dom = new DOMDocument();
  $dom->load($feedURL);

显示编码问题的XML文件示例（单击下载）：feed.xml

包含未转换为XML实体的字符的示例XML：

<?xml version="1.0"?>
<feed>
<RECORD>
<ID>117387</ID>
<ADVERTISERNAME>Test</ADVERTISERNAME>
<AID>10544740</AID>
<NAME>This & This</NAME>
<DESCRIPTION>For one day only this is > than this.</DESCRIPTION>
</RECORD>
</feed>

Answer 1

尝试使用Tidy库，该库可用于清除不良的HTML和XML
http://php.net/manual/zh/book.tidy.php

一个纯PHP解决方案，用于修复如下所示的一些XML：

<?xml version="1.0"?>
<feed>
<RECORD>
<ID>117387</ID>
<ADVERTISERNAME>Test < texter</ADVERTISERNAME>
<AID>10544740</AID>
<NAME>This & This</NAME>
<DESCRIPTION>For one day only this is > than this.</DESCRIPTION>
</RECORD>
</feed>

将是这样的：

  function cleanupXML($xml) {
    $xmlOut = '';
    $inTag = false;
    $xmlLen = strlen($xml);
    for($i=0; $i < $xmlLen; ++$i) {
        $char = $xml[$i];
        // $nextChar = $xml[$i+1];
        switch ($char) {
        case '<':
          if (!$inTag) {
              // Seek forward for the next tag boundry
              for($j = $i+1; $j < $xmlLen; ++$j) {
                 $nextChar = $xml[$j];
                 switch($nextChar) {
                 case '<':  // Means a < in text
                   $char = htmlentities($char);
                   break 2;
                 case '>':  // Means we are in a tag
                   $inTag = true;
                   break 2;
                 }
              }
          } else {
             $char = htmlentities($char);
          }
          break;
        case '>':
          if (!$inTag) {  // No need to seek ahead here
             $char = htmlentities($char);
          } else {
             $inTag = false;
          }
          break;
        default:
          if (!$inTag) {
             $char = htmlentities($char);
          }
          break;
        }
        $xmlOut .= $char;
    }
    return $xmlOut;
  }

这是一个简单的状态机，它指示我们是否在标记中，如果没有，则使用htmlentities编码文本。

值得注意的是，这将占用大文件的内存，因此您可能需要将其重写为流插件或预处理器。