我正在解析的HTML文档包含一些ASCII控制代码。我注意到PHP的DOMDocument解析器在节点中找到ASCII控制字符时会截断文本节点，例如
Device Control 0x13
End of Medium 0x19
File Separator 0x1C
Group Separator 0x1D
这是一个错误还是一个功能？有没有办法让DOMDocument采取其他行动？我在DOM处理之前使用了删除这些字符，但我想知道这是否是正确的解决方案。
答案 0 :(得分：2)
可能是错误和功能。
XML 1.0是very restrictive关于它将接受的ASCII控制字符。所以看起来你的DOMDocument试图通过截断来保护你自己（虽然它应该返回一些问题的迹象，所以我称之为一个bug）。
XML 1.1是less restrictive;唯一不允许的是NUL。因此，一种可能的解决方案是配置DOMDocument对象，以便它知道它应该管理1.1。
编辑：它looks like你可以将XML版本号传递给DOMDocument构造函数（但我不是PHP程序员，所以不知道我是否正确阅读文档）。
编辑2：我只是重新阅读你的问题，并意识到你的解析，而不是构建。如果您在输入前添加了有效的1.1序言，则应该是一种解决方法。或者也许通过使用正确的版本号构建DOMDocument，它将在没有该序言的情况下正确解析。
答案 1 :(得分：1)
要添加kdgregory所说的允许字符，这些控制字符不仅在XML中无效，而且在SGML中也是如此。因此遗留的HTML或XHTML，您无法解析HTML文档中的任何字符。
（我不知道你为什么要这样做。二进制数据不属于[X] [HT] ML。）