Question

获取此XML代码段：

<title>Foos&#146; bar</title>

当我使用PHP的DOMDocument解析整个文档时：

<?php
$dom = new DOMDocument('1.0', 'UTF-8');
$dom->loadXML($xml);
$dom->saveHTML(); // Output: <title>Foos&#146; bar</title>
?>

我可以看到所有内容，标题中的HTML符号。

然后我想提取标题文字：

<?php
$xpath = new DOMXpath($dom);
$xpath->query('//title')->item(0)->nodeValue); // Output: Foos bar
?>

即使我调试并检查$xpath->query('//title')->item(0)对象，我也看不到HTML符号。我试图改变编码，XML版本和解析选项，但没有运气。

另外，我不确定XML标记解释的规则是什么，但我有一种预感，即HMLT符号被解析出来，因为它是一个有意义的标记。如果我手动将XML更改为：

<title><![CDATA[Foos&#146; bar]]></title>

然后一切都很完美，我可以在最终结果中访问我的HTML符号。不幸的是，在这种情况下，我无法控制XML源。

你知道吗？除了在解析之前使用正则表达式替换符号？

Answer 1

你试过utf8_decode吗？

<?php
$xml = "<title>Foos&#146; bar</title>";
$dom = new DOMDocument('1.0', 'UTF-8');
$dom->loadXML($xml);
$dom->saveHTML(); // Output: <title>Foos&#146; bar</title>
$xpath = new DOMXpath($dom);
$value = $xpath->query('//title')->item(0)->nodeValue;
echo utf8_decode($value); // Output: Foo's Bar
?>

更多细节可以在at this stackoverflow answer.

找到

Answer 2

是无效的数字字符引用。你需要更换它。

然而，好消息是，你不需要自己更换它。

这些数字实体在HTML / XML中的某个时间之前的日期，其中与这些数字字符引用相关的字符集未全局定义。由于HTML 4和XML 1.0就是这种情况，因此使用Unicode的通用字符集（UCS）的代码点。

如果你有这样的破碎或旧数据，你可以让Tidy为你做清理工作：

$xml = '<title>Foos&#146; bar</title>';

$config = [
    'input-xml'  => true,
    'output-xml' => true,
    'newline'    => 'LF',
];

$xml = tidy_parse_string($xml, $config);

$dom = new DOMDocument();

$dom->loadXML($xml);

echo $dom->saveHTML();

输出：

<title>Foos&rsquo; bar</title>

整洁对象也带有一个警告;

警告：替换无效的数字字符引用146

这正是我们使用它的原因。

如果您想了解更多信息，列出的on this page电子邮件可能会让您感兴趣。如果Tidy不适合你，这也可能会告诉你如何自己动手。

解析XML中的HTML符号

2 个答案: