由于长UTF字符，XML格式不正确

Question

好的，我希望有人可以提供帮助，因为我无法为此找到解决方案。

在数据库中，客户设法导入或以其他方式添加来自不同字符集的字符数据，例如：

  <E2><80><99>

我相信这是UTF-16。

我的脚本的XML输出由于这些数据（从数据库中提取字符串，例如“description”字段并构建XML文件）而抛出错误。

XML解析错误：格式不正确 第20行，第50栏。

还有一些其他十六进制更长，例如＆lt; 80＆gt;＆lt; 99＆gt; （只是一个例子，我不确定这是否是一个真实的角色）。

如何使我的XML文件有效，并缩小字符集或让它像这样使用UTF-32：

  AddType "application/xml; charset=UTF-32" xml  (in .htaccess file along with filesmatch .xml)


  <?xml version='1.0' encoding='UTF-32' ?>   (placed in head of xml file)

Answer 1

无论是什么：UTF-8，-16或-32 - 如果您在输出中选择其他编码，则必须 - 如果不同 - 首先重新编码输入以进行输出。

您在问题中明确指出您不知道输入编码究竟是什么。这是你需要清楚直线的一点，因为编码是元信息。你需要正确地知道它来处理字符串。根据您的共享，看起来输入是UTF-8编码的。您应该验证（How to detect malformed utf-8 string in PHP?）。

接下来的事情是，格式错误绝不意味着编码问题（但它可以）。只要你不分享问题的根源（理想情况下也是文本形式旁边with a hex-dump），对于我所说的当前信息，没有太多的建议。