使用扩展ASCII解码HTML编码的字符

Question

我有一个XML文件，其中包含编码为&#xxx;的特殊字符。只要我将这些字符输出到浏览器中，就可以正常工作，因为它们是HTML编码（某种程度上）。

但是我需要使用simplexml_load_string读取XML文件，这会导致某些字符出现乱码，因为它们在扩展ASCII表中。

例如：

š转换为š-但当我尝试使用html_entity_decode时，我得到一个空字符。

我尝试了几乎所有方法，从iconv到mb_decode_numericentity，但都没有成功。

如何将那些&#xxx;转换为真正的字符？

[编辑] 我发现这个表格http://www.ascii-code.com声称š是使用ISO-8859-1的扩展ASCII字符 我很困惑...

- Swissdude

---

根据您的例子，š 应该解码为 š，您没有使用 utf-8 编码而是使用了一些 iso。个人建议切换到 utf-8，但这并不是重点。我猜想您需要指示 html_entity_decode() 保持您喜欢的编码方式，而不是采用 php.ini 中指定的默认编码方式。 - Karel Kubat

谢谢Karel - 我实际上尝试了使用html_entity_decode()支持的每种编码，但是它们都没有起作用 :( - Swissdude

听起来像是非标准和/或可能已过时的HTML实体使用。不确定是否有任何标准的PHP函数可以处理这个问题。也许你需要编写一个自定义的preg_replace_callback函数或类似的函数来解码这些特定的代码点。 - deceze

这绝对不是标准的。XML 是由某个第三方公司提供的。我不知道他们为什么要这样做。有趣的是，当我在 Google 搜索栏中添加 '&#154' 时，它会将其翻译为 š - 所以如果他们能做到，为什么我不能呢？;) - Swissdude

Answer 1

你似乎在处理两个在打印时几乎相同的不同字符：

• '带抑扬符号的拉丁小写字母S'（U+0161）实际上编码为š
• š对应'单字符介绍者'（U+009A）

我发现我的字体和文本编辑器都无法正确处理第二个字符。因此，你很可能会因为这个原因得到一个空白字符。

第二个字符似乎是某种奇怪的控制字符，其确切目的超出了我的理解范围：

后面跟着一个可打印字符 (0x20 到 0x7E) 或格式控制字符 (0x08 到 0x0D)。目的是提供一种方法，可以定义一个控制函数或图形字符，无论使用哪种图形或控制集都可用。这个字节所引发的定义从未在国际标准中实现。不是 ISO/IEC 6429 的第一版的一部分。

值得注意的是，XML 中的字符引用 使用来自固定编码（某个 UCS 变体）的数字代码。如果 XML 文件的作者不遵循此约定，则将面临无效的 XML（有效地阻止使用 XML 库解析它）或包含损坏数据的有效 XML（最多需要繁琐的后处理）。

- Álvaro González

---

谢谢Álvaro。但它应该转换为第一个字符(š)，因为它是一个带有该字符的名称的一部分。正如我在我的编辑中提到的，我发现š是Windows-1252 ASCII表的一部分。但即使我尝试使用html_entity_decode('š', ENT_COMPAT, 'Windows-1252')，我也得到了一个空白输出。 - Swissdude

无法选择XML实体的编码方式。不管怎样，不要相信渲染出来的字符；而是使用十六进制编辑器或通过bin2hex()打印数据（如果您没有）。 - Álvaro González