У меня есть PHP-скрипт, который пытается разобрать огромный файл XML. Для этого я использую библиотеку XMLReader. Во время синтаксического анализа у меня есть эта ошибка кодирования:
Ввод не соответствует UTF-8, укажите кодировку! Байты: 0xA0 0x32 0x36 0x30
Я хотел бы знать, являются ли они способом пропустить записи с плохими символами.
Спасибо!
Прежде всего, убедитесь, что ваш XML-файл действительно имеет кодировку UTF-8. Если нет, укажите кодировку в качестве второго параметра XMLReader::open().
Если ошибка кодирования связана с реальной неправильной последовательностью байтов в документе UTF-8 и если вы используете PHP > 5.2.0, вы можете передать LIBXML_NOERROR и/или (в зависимости от уровня ошибки) LIBXML_NOWARNING в качестве битовой маски для третьего параметра. из XMLReader::open():
$xml = new XMLReader();
$xml->open('myxml.xml', null, LIBXML_NOERROR | LIBXML_NOWARNING);
Если вы используете PHP > 5.1.0, вы можете исправить ошибку libXML. -умение обращаться.
// enable user error handling
libxml_use_internal_errors(true);
/* ... do your XML processing ... */
$errors = libxml_get_errors();
foreach ($errors as $error) {
// handle errors here
}
libxml_clear_errors();
На самом деле я не знаю, действительно ли предыдущие два обходных пути позволяют XMLReader продолжать чтение в случае ошибки или они только подавляют вывод ошибки. Но попробовать стоит.
Ответ на комментарий:
libXML определяет XML_PARSE_RECOVER (1), но ext/libxml не предоставляет этого константа как константа PHP. Возможно, можно передать целочисленное значение 1 в параметр $options.
$xml = new XMLReader();
$xml->open('myxml.xml', null, LIBXML_NOERROR | LIBXML_NOWARNING | 1);
Я бы послушал, что вам говорит XMLReader. Помните, что многие кодировки являются надмножествами ASCII, поэтому (например) UTF-8 и ISO-8859-1 идентичны ASCII для первых 128 кодовых точек. Вполне может быть, что ваш файл действительно закодирован как ISO-8859-1, но почти все символы в нем взяты из младшей, ASCII-половины этого набора символов. В этом случае ваша ошибка будет заключаться в том, что вы разрешили использовать кодировку по умолчанию для XML, UTF-8.
В ISO-8859-1 последовательность байтов 0xA0 0x32 0x36 0x30 совершенно допустима: неразрывный пробел, за которым следуют «2», «6», «0».
Если ваш XML-файл имеет действительно простую структуру, вы можете «предварительно отфильтровать» его, чтобы избавиться (или, что еще лучше, исправить) неправильные записи.
Прочитайте его запись за записью и запишите отфильтрованный XML-файл, а затем обработайте отфильтрованный файл.
