我正在使用SimpleXML加载一些xml文件（这些文件不是我编写/提供的，也不能真正更改其格式）。
偶尔（例如每50个左右的文件中有一个或两个），它们不转义任何特殊字符（主要是&，但有时也会出现其他随机无效字符）。这会导致php中的SimpleXML失败，我也不知道如何处理解析无效的XML。
我的第一个想法是将XML预处理为字符串，并将所有字段都放入CDATA中，以使其正常工作，但由于我需要处理的XML以属性字段中的所有数据为例，因此我无法使用CDATA的想法。 XML的示例：
<Author v="By Someone & Someone" />
在使用SimpleXML加载XML之前，最好的处理方法是什么，以替换所有无效字符？
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($fixed_xml);
}
function load_invalid_xml($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;
// make string flat
$xml = str_replace(array("\r\n", "\r", "\n"), "", $xml);
// get file encoding
$encoding = mb_detect_encoding($xml);
foreach (libxml_get_errors() as $error)
{
$pos = $error->column;
$invalid_char = mb_substr($xml, $pos, 1, $encoding);
$fixed_xml .= substr($xml, $last_pos, $pos - $last_pos) . htmlspecialchars($invalid_char);
$last_pos = $pos + 1;
}
$fixed_xml .= substr($xml, $last_pos);
libxml_use_internal_errors($use_internal_errors);
return simplexml_load_string($fixed_xml);
}
我添加了编码内容，因为我在使用简单的数组[index]方法从字符串中获取字符时遇到了问题。
这应该都可以工作，但是不知道为什么，我发现$error->column给出的数字与它应该给出的数字不同。我尝试通过在xml中添加一些无效字符并检查它将返回什么值来调试它，但没有成功。
希望有人能告诉我这种方法的问题所在。
尽管这个问题已经存在10年了（当我打字时），我仍然遇到类似的XML解析问题（PHP8.1），这就是为什么我来到这里的原因。已经给出的答案很有帮助，但要么不完整，要么不一致，或者对我的问题和原始发帖人也不适用。
检查内部XML解析问题似乎是正确的，但是有735个错误代码（参见https://gnome.pages.gitlab.gnome.org/libxml2/devhelp/libxml2-xmlerror.html），因此需要更具适应性的解决方案。
我在上面使用了“不一致”一词，因为其他答案中最好的答案（@Adam Szmyd）将多字节字符串处理与非多字节字符串处理混合在一起。
以下代码以Adam的代码为基础，我为我的情况重新制定了它，我感觉可以根据实际遇到的问题进一步扩展。因此，我也不完全 - 抱歉！
这段代码的核心是将每个（在我的实现中只有1个）XML解析错误作为单独的情况进行处理。我遇到的错误是一个无法识别的HTML实体（ç - ç），所以我使用PHP实体替换来解决它。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;
// make string flat
$xmlFlat = mb_ereg_replace( '(\r\n|\r|\n)', '', $xml );
// Regenerate the error but using the flattened source so error offsets are directly relevant
libxml_clear_errors();
$xml_doc = @simplexml_load_string( $xmlFlat );
foreach (libxml_get_errors() as $error)
{
$pos = $error->column - 1; // ->column appears to be 1 based, not 0 based
switch( $error->code ) {
case 26: // error undeclared entity
case 27: // warning undeclared entity
if ($pos >= 0) { // the PHP docs suggest this not always set (in which case ->column is == 0)
$left = mb_substr( $xmlFlat, 0, $pos );
$amp = mb_strrpos( $left, '&' );
if ($amp !== false) {
$entity = mb_substr( $left, $amp );
$fixed_xml .= mb_substr( $xmlFlat, $last_pos, $amp - $last_pos )
. html_entity_decode( $entity );
$last_pos = $pos;
}
}
break;
default:
}
}
$fixed_xml .= mb_substr($xml, $last_pos);
libxml_use_internal_errors($use_internal_errors);
return simplexml_load_string($fixed_xml);
}
preg_replace_callback 运行 XML，并在过滤掉4个允许的实体后对任何匹配项运行 html_entity_decode？ - miken32
&这个符号，您在加载之前不可以转义它吗？ - Dormilich