PHP XMLReader，获取版本和编码

Question

我目前正在重写一个 PHP 类，该类试图将 XML 文件拆分成更小的 block ，以使用 XMLReader 和 XMLWriter 而不是当前的基本文件系统和正则表达式方法。

但是，我不知道如何从 XML 序言中获取版本、编码和独立标志。

我的测试 XML 文件的开头如下所示:

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE fakedoctype SYSTEM "fake_doc_type.dtd">

 <!--
 This is a comment, it's here to try and get the parser to break in some way
 --> 

<root attribute="value" otherattribute="othervalue">

我可以让读者打开它并使用 read()、next() 等浏览文档，但我似乎无法获得 <?xml ... ?> 中的任何内容。 .我能够访问的第一件事是伪造的 DOCTYPE。

我的测试代码如下:

$a = new XMLReader ();
var_dump ($a -> open ('/path/to/test/file.xml')) // true
var_dump ($a -> nodeType); // 0
var_dump ($a -> name); // ""
var_dump ($a -> readOuterXML ()); // ''
var_dump ($a -> read ()); // true
var_dump ($a -> nodeType); // 10
var_dump ($a -> readOuterXML ()); // <!DOCTYPE fakedoctype SYSTEM "fake_doc_type.dtd">

当然，我总是可以假设 XML 1.0，编码为 UTF8 和独立 = 是，但为了正确性，我真的更愿意能够获取我的源提要中的值并在生成拆分时使用它们文件。

关于 XMLReader 和 XMLwriter 的文档似乎很差，所以我很有可能错过了文档中的某些内容。有谁知道在这种情况下该怎么办？

Answer 1

我从 XMLReader 知道的，即使它有 XMLReader::XML_DECLARATION 常量，我在使用 XMLReader::read( ) 在 XMLReader::$nodeType 属性中。

看起来它被跳过了，我也想知道为什么会这样，我还没有找到任何标志或选项来改变这种行为。

对于输出，XMLReader 总是返回 UTF-8 编码的字符串。这与 PHP 中其他基于 libxml 的部分相同。所以从那方面来说，一切都很清楚。但我认为这不是您感兴趣的部分，而是您使用 XMLReader::open() 打开的文件中输入的具体字符串。

不是专门针对 XMLReader 我曾经创建过 a utility class I named XMLRecoder它能够根据 XML 声明和 BOM 检测 XML 字符串的编码。我认为你应该两者都做。这是我认为您仍然需要使用正则表达式的一部分，但因为 XML 声明必须是第一件事，而且它是一个处理指令 (PI)，即 very well and strict defined。你应该可以看到里面的内容。

这是 XMLRecoder 代码中的一些相关部分:

### excerpt from https://gist.github.com/hakre/5194634 

/**
 * pcre pattern to access EncodingDecl, see <http://www.w3.org/TR/REC-xml/#sec-prolog-dtd>
 */
const DECL_PATTERN = '(^<\?xml\s+version\s*=\s*(["\'])(1\.\d+)\1\s+encoding\s*=\s*(["\'])(((?!\3).)*)\3)';
const DECL_ENC_GROUP = 4;
const ENC_PATTERN = '(^[A-Za-z][A-Za-z0-9._-]*$)';

...

($result = preg_match(self::DECL_PATTERN, $buffer, $matches, PREG_OFFSET_CAPTURE))
    && $result = $matches[self::DECL_ENC_GROUP];

如上图所示，它一直持续到编码，所以还不完整。但是，对于提取编码的需要(以及您需要的版本)，它应该可以完成工作。我已针对大量(数千)随机 XML 文档运行此程序以进行测试。

另一部分是BOM检测:

### excerpt from https://gist.github.com/hakre/5194634 

const BOM_UTF_8 = "\xEF\xBB\xBF";
const BOM_UTF_32LE = "\xFF\xFE\x00\x00";
const BOM_UTF_16LE = "\xFF\xFE";
const BOM_UTF_32BE = "\x00\x00\xFE\xFF";
const BOM_UTF_16BE = "\xFE\xFF";

...

/**
 * @param string $string string (recommended length 4 characters/octets)
 * @param string $default (optional) if none detected what to return
 * @return string Encoding, if it can not be detected defaults $default (NULL)
 * @throws InvalidArgumentException
 */
public function detectEncodingViaBom($string, $default = NULL)
{
    $len = strlen($string);

    if ($len > 4) {
        $string = substr($string, 0, 4);
    } elseif ($len < 4) {
        throw new InvalidArgumentException(sprintf("Need at least four characters, %d given.", $len));
    }

    switch (true) {
        case $string === self::BOM_UTF_16BE . $string[2] . $string[3]:
            return "UTF-16BE";

        case $string === self::BOM_UTF_8 . $string[3]:
            return "UTF-8";

        case $string === self::BOM_UTF_32LE:
            return "UTF-32LE";

        case $string === self::BOM_UTF_16LE . $string[2] . $string[3]:
            return "UTF-16LE";

        case $string === self::BOM_UTF_32BE:
            return "UTF-32BE";
    }

    return $default;
}

对于 BOM 检测，我也确实针对同一组 XML 文档运行了它，但是，使用 BOM 的并不多。如您所见，检测顺序针对更常见的场景进行了优化，同时处理了不同 BOM 之间的重复二进制模式。我遇到的大多数文档都没有 BOM，您主要需要它来确定文档是否为 UTF-32 编码。

希望这至少能提供一些见解。