Correggi l'XML malformato in PHP prima dell'elaborazione utilizzando le funzioni DOMDocument

Question

Ho bisogno di caricare un documento XML in PHP proveniente da una fonte esterna. L'XML non dichiara la codifica e contiene caratteri illegali come &. Se provo a caricare il documento XML direttamente nel browser ottengo errori come "È stato trovato un carattere non valido nel contenuto del testo" anche durante il caricamento del file in PHP ottengo molti avvisi come: xmlParseEntityRef: no name in Entity e Input is not proper UTF-8, indicate encoding ! Bytes: 0x9C 0x31 0x21 0x3C.

È chiaro che l'XML non è ben formato e contiene caratteri non validi che devono essere convertiti in entità XML.

Questo perché il feed XML è composto da dati forniti da molti altri utenti e chiaramente non viene convalidato o riformattato prima di averlo ricevuto.

Ho parlato con il fornitore del feed XML e dicono che stanno cercando di convincere i fornitori di contenuti a risolverlo, ma questo sembra sciocco poiché dovrebbero prima convalidare l'input.

Fondamentalmente ho bisogno di correggere l'XML correggendo eventuali errori di codifica e convertendo qualsiasi carattere illegale in entità XML in modo che l'XML carichi il problema quando si usano le funzioni DOMDocument di PHP.

Il mio codice attualmente si presenta come:

$feedURL = '3704017_14022010_050004.xml'; 
    $dom = new DOMDocument(); 
    $dom->load($feedURL); 

file XML di esempio che mostra problema di codifica (clicca per scaricare): feed.xml

Esempio XML che contiene caratteri che non sono stati convertiti in entità XML:

<?xml version="1.0"?> 
<feed> 
<RECORD> 
<ID>117387</ID> 
<ADVERTISERNAME>Test</ADVERTISERNAME> 
<AID>10544740</AID> 
<NAME>This & This</NAME> 
<DESCRIPTION>For one day only this is > than this.</DESCRIPTION> 
</RECORD> 
</feed> 

Answer 1

Provare a utilizzare la libreria Tidy che può essere utilizzata per pulire male HTML e XML http://php.net/manual/en/book.tidy.php

Una soluzione PHP puro per correggere alcuni XML come questo:

<?xml version="1.0"?> 
<feed> 
<RECORD> 
<ID>117387</ID> 
<ADVERTISERNAME>Test < texter</ADVERTISERNAME> 
<AID>10544740</AID> 
<NAME>This & This</NAME> 
<DESCRIPTION>For one day only this is > than this.</DESCRIPTION> 
</RECORD> 
</feed> 

sarebbe qualcosa di simile a questo:

function cleanupXML($xml) { 
    $xmlOut = ''; 
    $inTag = false; 
    $xmlLen = strlen($xml); 
    for($i=0; $i < $xmlLen; ++$i) { 
     $char = $xml[$i]; 
     // $nextChar = $xml[$i+1]; 
     switch ($char) { 
     case '<': 
      if (!$inTag) { 
       // Seek forward for the next tag boundry 
       for($j = $i+1; $j < $xmlLen; ++$j) { 
       $nextChar = $xml[$j]; 
       switch($nextChar) { 
       case '<': // Means a < in text 
        $char = htmlentities($char); 
        break 2; 
       case '>': // Means we are in a tag 
        $inTag = true; 
        break 2; 
       } 
       } 
      } else { 
      $char = htmlentities($char); 
      } 
      break; 
     case '>': 
      if (!$inTag) { // No need to seek ahead here 
      $char = htmlentities($char); 
      } else { 
      $inTag = false; 
      } 
      break; 
     default: 
      if (!$inTag) { 
      $char = htmlentities($char); 
      } 
      break; 
     } 
     $xmlOut .= $char; 
    } 
    return $xmlOut; 
    } 

Che è una semplice macchina a stati notando se siamo in un tag o no e se no, quindi codifica il testo usando htmlentities.

Vale la pena notare che questo sarà affamato di memoria su file di grandi dimensioni, quindi si consiglia di riscriverlo come un plug-in di flusso o un pre-processore.

Answer 2

Per risolvere questo problema, impostare il DomDocument recover property-TRUE prima di caricamento del documento XML

$dom->recover = TRUE;

provare questo codice:

$feedURL = '3704017_14022010_050004.xml'; 
$dom = new DOMDocument(); 
$dom->recover = TRUE; 
$dom->load($feedURL); 

Answer 3

Se estensione in ordine non è un'opzione, si può considerare htmlpurifier .