用HTML特殊字符加载DOMDocument（php）

Question

我在使用PHP加载XML文件时遇到问题，需要使用DOMDocument功能中的getElementsByTagName函数。以下是我使用的代码：

```php $dom = new DomDocument('1.0', 'UTF-8'); $dom->resolveExternals = false; $dom->load($_FILES["file"]["tmp_name"]); ```

我遇到的错误信息为：

``` 警告：DOMDocument :: load（）[domdocument.load]：实体 'rsquo' 未在/tmp/php1VRb3N中定义，行：4 /www/htdocs/bla/upload.php on line 51 ```

原因是我的XML文件中包含一个未定义的实体“rsquo”。

- BenRoe

Answer 1

您的XML解析器没有错误。这是一个无效（甚至不是格式良好的）文档，您将无法使用任何东西加载它。 rsquo是HTML中预定义的实体，但在XML中不是。在XML文档中，如果您想使用除最基本的内置实体（amp、lt、gt、quot和apos）之外的任何内容，则必须在由<!DOCTYPE>声明引用的DTD中定义它们。（这是XHTML的做法。）

您需要找出输入来源并修复造成问题的任何因素，因为目前它根本不是XML。请使用字符引用（’）或UTF-8编码中的纯字面字符’。

作为最后的手段，如果您真的必须接受此格式不正确的输入，则可以对文件进行恶意字符串替换：

$xml= file_get_contents($_FILES['file']['tmp_name']);
$xml= str_replace('’', '’', $xml);
$dom->loadXML(xml);

如果您需要对所有非XML HTML实体进行此操作，而不仅仅是rsquo，那就有点棘手了。您可以进行正则表达式替换：

function only_html_entity_decode($match) {
    if (in_array($match[1], array('amp', 'lt', 'gt', 'quot', 'apos')))
        return $match[0];
    else
        return html_entity_decode($match[0], ENT_COMPAT, 'UTF-8');
}
$xml= preg_replace_callback('/&(\w+);/', 'only_html_entity_decode', $xml);

这种方法仍然不太好，因为它会破坏像注释、CDATA节和PIs等位置中的任何&\w+;字符序列，而这并不实际意味着实体引用。但考虑到这种有缺陷的输入，这可能是你能做的最好的。

当然，这肯定比在整个文档上调用html_entity_decode要好得多，后者还会搞乱任何XML实体引用，导致在存在现有的&或<时文档崩溃。

另一个可疑的hack方式是使用loadHTML()加载文档。

- bobince

Answer 2

为了使用该实体，它必须在DTD中进行定义。否则，它就是无效的XML。如果您没有DTD，应该在使用DOM加载XML之前对实体进行解码：

$dom->load(
    html_entity_decode(
        file_get_contents($_FILES["file"]["tmp_name"]), 
        ENT_COMPAT, 'UTF-8'));

- Gordon

Answer 3

在 bobince 的帮助下，我的解决方案如下：

    $xml= file_get_contents($_FILES['file']['tmp_name']);
    $xml= preg_replace('/&(\w+);/', '', $xml);
    $dom = new DomDocument();
    $dom->loadXML($xml);

- BenRoe

---

这也会丢弃所有的XML预定义实体引用，如&和<。你真的确定要这样做吗？ - bobince

是的，没问题。在我的文件中没有预定义的 XML 实体引用，如 & 或 <。 - BenRoe