我如何告诉 DOMDocument->load() 我希望它使用啥编码？

Posted 2023-02-21

【中文标题】我如何告诉 DOMDocument->load() 我希望它使用啥编码？

【英文标题】：How do I tell DOMDocument->load() what encoding I want it to use?我如何告诉 DOMDocument->load() 我希望它使用什么编码？

【发布时间】：2010-11-19 03:53:01

【问题描述】：

我从其他地方搜索和处理 XML 文件，并且需要 用一些 XSLT 转换它们。没问题。使用 php5 和 DOM 图书馆，一切都那么简单。工作正常，到现在为止。今天，时髦 字符在 XML 文件中——来自 Word 的“智能”引号，看起来 喜欢。无论如何， DOMDocument->load 抱怨他们，说 它们不是 UTF-8，并指定编码。

你瞧，这些 XML 文件中没有指定编码。如果我 将 'encoding="iso-8859-1"' 添加到标题中，它工作正常。摩擦是 我无法控制这些 XML 文件。

将文件读入字符串，修改其标题并将其写回 到另一个地方似乎是我唯一的选择，但我更愿意这样做 它根本不必使用 XML 文件的临时副本。是 有什么方法可以简单地告诉解析器解析它们，就好像它们是 iso-8859-1？

【参考方案1】：

这对你有用吗？

$doc = new DOMDocument('1.0', 'iso-8859-1');
$doc->load($xmlPath);

编辑：由于这似乎行不通，你可以做的是类似于你现有的方法，但没有临时文件。仅使用标准 IO 操作（file_get_contents() 或其他）从您的源读取 XML 文件，然后对您需要的编码执行任何更改（iconv() 或utf8_decode()），然后使用loadXML()

$myXMLString = file_get_contents($xmlPath);
$myXMLString = utf8_decode($myXMLString);
$doc = new DOMDocument('1.0', 'iso-8859-1');
$doc->loadXML($myXMLString);

【讨论】：

试过这个 - 它似乎不会影响加载的文档 - 从我的阅读来看，我很确定编码会被 load() 调用重置

【参考方案2】：

我还没有找到设置默认编码的方法（目前），但也许在这种情况下恢复模式是可行的。 当 libxml 遇到编码错误并且没有明确设置编码时，它会从 unicode/utf8 切换到 latin1 并继续解析文档。但在解析器上下文中，属性wellFormed 设置为0/false。如果wellFormed 为真或 DOMDocument 对象的属性recover 为真，则PHP 的DOM 扩展认为文档有效。

<?php
// german Umlaut ä in latin1 = 0xE4
$xml = '<foo>'.chr(0xE4).'</foo>';

$doc = new DOMDocument;
$b = $doc->loadxml($xml);
echo 'with doc->recover=false(default) : ', ($b) ? 'success':'failed', "\n";

$doc = new DOMDocument;
$doc->recover = true;
$b = $doc->loadxml($xml);
echo 'with doc->recover=true : ', ($b) ? 'success':'failed', "\n";

打印

Warning: DOMDocument::loadXML(): Input is not proper UTF-8, indicate encoding !
Bytes: 0xE4 0x3C 0x2F 0x66 in Entity, line: 1 in test.php on line 6
with doc->recover=false(default) : failed

Warning: DOMDocument::loadXML(): Input is not proper UTF-8, indicate encoding !
Bytes: 0xE4 0x3C 0x2F 0x66 in Entity, line: 1 in  test.php on line 11
with doc->recover=true : success

您仍然会收到警告消息（可以使用@$doc->load() 抑制），并且它还会显示在internal libxml errors 中（仅在解析器从utf8 切换到latin1 时出现一次）。此特定错误的错误代码将为 9 (XML_ERR_INVALID_CHAR)。

<?php
$xml = sprintf('<foo>
    <ae>%s</ae>
    <oe>%s</oe>
    &
</foo>', chr(0xE4),chr(0xF6));

libxml_use_internal_errors(true);
$doc = new DOMDocument;
$doc->recover = true;
libxml_clear_errors();
$b = $doc->loadxml($xml);
$invalidCharFound = false;
foreach(libxml_get_errors() as $error) 
    if ( 9==$error->code && !$invalidCharFound ) 
        $invalidCharFound = true;
        echo "found invalid char, possibly harmless\n";
    
    else 
        echo "hm, that's probably more severe: ", $error->message, "\n";
    

【参考方案3】：

指定编码的唯一方法是在文件开头的 XML 声明中：

<?xml version="1.0" encoding="ISO-8859-1"?>

【讨论】：

这是唯一正确的答案 - 另见***.com/questions/8218230/…