PHP - 处理无效的 XML

Question

我正在使用 SimpleXML 加载一些 xml 文件(我没有编写/提供这些文件，也无法真正更改其格式)。

偶尔(例如，每 50 个左右的文件中有一个或两个文件)它们不会转义任何特殊字符(主要是 &，但有时也会出现其他随机的无效字符)。这会产生问题，因为 SimpleXML with php 只是失败了，而且我真的不知道有什么好的方法来处理解析无效的 XML。

我的第一个想法是将 XML 预处理为一个字符串，并将所有字段作为 CDATA 放入，这样它就可以工作，但出于某些不合理的原因，我需要处理的 XML 将其所有数据放入属性字段中。因此我不能使用 CDATA 的想法。 XML 的一个例子是:

 <Author v="By Someone & Someone" />

在使用 SimpleXML 加载它之前，最好的处理方法是什么以替换 XML 中的所有无效字符？

Answer 1

您需要的是使用 libxml 的内部错误来定位无效字符并相应地转义它们的东西。这是我如何编写它的模型。查看 libxml_get_errors() 的结果以获取错误信息。

function load_invalid_xml($xml)
{
    $use_internal_errors = libxml_use_internal_errors(true);
    libxml_clear_errors(true);

    $sxe = simplexml_load_string($xml);

    if ($sxe)
    {
        return $sxe;
    }

    $fixed_xml = '';
    $last_pos  = 0;

    foreach (libxml_get_errors() as $error)
    {
        // $pos is the position of the faulty character,
        // you have to compute it yourself
        $pos = compute_position($error->line, $error->column);
        $fixed_xml .= substr($xml, $last_pos, $pos - $last_pos) . htmlspecialchars($xml[$pos]);
        $last_pos = $pos + 1;
    }
    $fixed_xml .= substr($xml, $last_pos);

    libxml_use_internal_errors($use_internal_errors);

    return simplexml_load_string($fixed_xml);
}