Question

我有一个自动生成的XML文件，应该用UTF-8编码。在大多数情况下，编码是正确的。但是，有一些字符编码不正确。在Emacs中查看文件时，我得到\ 370，\ 351。

有没有办法以编程方式检测他们的字符？我更喜欢使用PHP的解决方案，但Perl或Java中的解决方案也非常有用。

Answer 1

您可以使用此正则表达式检查字符串的UTF-8-ness：

(^(?:
[\x00-\x7f] |
[\xc0-\xdf][\x80-\xff] |
[\xe0-\xef][\x80-\xff]{2} |
[\xf0-\xf7][\x80-\xff]{3}
)*$)x

Answer 2

您是否绝对确定编码不正确？我没有使用emacs，而是使用二进制文件查看器。问题位置的实际字节数是多少？

使用Java，检测无效的UTF-8字节模式相当容易。我不确定默认的Charset支持是否会处理它，但UTF-8非常简单。我通常使用UTF-8 table here作为有效字节序列的参考。

Answer 3

您可以使用libxml_use_internal_errors和libxml_get_errors来循环播放文档时发生的错误。您正在寻找的错误代码是XML_ERR_INVALID_CHAR = 9。

<?php
$xml = '<?xml version="1.0" encoding="utf-8"?>
<a>
    <b>' . chr(0xfd) . chr(0xff) . '</b>
</a>';
libxml_use_internal_errors(true);

$doc = new DOMDocument;
$doc->loadxml($xml);

foreach (libxml_get_errors() as $error) {
    print_r($error);
}
libxml_clear_errors();

打印

LibXMLError Object
(
    [level] => 3
    [code] => 9
    [column] => 5
    [message] => Input is not proper UTF-8, indicate encoding !
Bytes: 0xFD 0xFF 0x3C 0x2F

    [file] => 
    [line] => 3
)

XML中错误的混合字符编码

3 个答案: