Comment indiquer à DOMDocument-> load() quel encodage je veux utiliser?

Question

Je recherche et traite des fichiers XML d'ailleurs, et ai besoin de les transformer avec des XSLT. Aucun problème. En utilisant PHP5 et la bibliothèque DOM , tout est facile. A travaillé bien, jusqu'à maintenant. Aujourd'hui, funky caractères étaient dans le fichier XML - "smart" citations de Word, il ressemble comme. Quoi qu'il en soit, DOMDocument-> charge se plaignait d'eux, en disant que ce n'était pas UTF-8, et de spécifier le codage. Et bien, le codage n'est pas spécifié dans ces fichiers XML. Si je ajoute dans 'encoding = "iso-8859-1"' à l'en-tête, cela fonctionne très bien. Le frottement est Je n'ai aucun contrôle sur ces fichiers XML.

La lecture du fichier dans une chaîne, en modifiant son en-tête et l'écrire retour vers un autre endroit semble être ma seule option, mais je préfère faire sans avoir à utiliser des copies temporaires des fichiers XML à tout. existe-t-il un moyen de dire simplement à l'analyseur de les analyser comme s'ils étaient iso-8859-1?

Answer 1

Est-ce que cela fonctionne pour vous?

$doc = new DOMDocument('1.0', 'iso-8859-1'); 
$doc->load($xmlPath); 

Edit: Comme il semble que cela ne fonctionne pas, ce que vous pourriez faire à la place est similaire à votre méthode existante, mais sans le fichier temporaire. Lire le fichier XML de votre source en utilisant simplement des opérations standard IO (file_get_contents() ou quelque chose), puis effectuer tous les changements à l'encodage dont vous avez besoin (iconv() ou utf8_decode()), puis utiliser loadXML()

$myXMLString = file_get_contents($xmlPath); 
$myXMLString = utf8_decode($myXMLString); 
$doc = new DOMDocument('1.0', 'iso-8859-1'); 
$doc->loadXML($myXMLString); 

Answer 2

Je ne l'ai pas trouvé un moyen pour définir le codage par défaut (encore), mais peut-être le mode de récupération est possible dans ce cas.
Lorsque libxml rencontre une erreur de codage et qu'aucun codage n'a été explicitement défini, il passe d'unicode/utf8 à latin1 et poursuit l'analyse du document. Mais dans le contexte de l'analyseur, la propriété wellFormed est définie sur 0/false. L'extension DOM de PHP considère que le document est valide si wellFormed est vrai ou l'attribut de l'objet DOMDocument recover est vrai.

<?php 
// german Umlaut ä in latin1 = 0xE4 
$xml = '<foo>'.chr(0xE4).'</foo>'; 

$doc = new DOMDocument; 
$b = $doc->loadxml($xml); 
echo 'with doc->recover=false(default) : ', ($b) ? 'success':'failed', "\n"; 

$doc = new DOMDocument; 
$doc->recover = true; 
$b = $doc->loadxml($xml); 
echo 'with doc->recover=true : ', ($b) ? 'success':'failed', "\n"; 

impressions

Warning: DOMDocument::loadXML(): Input is not proper UTF-8, indicate encoding ! 
Bytes: 0xE4 0x3C 0x2F 0x66 in Entity, line: 1 in test.php on line 6 
with doc->recover=false(default) : failed 

Warning: DOMDocument::loadXML(): Input is not proper UTF-8, indicate encoding ! 
Bytes: 0xE4 0x3C 0x2F 0x66 in Entity, line: 1 in test.php on line 11 
with doc->recover=true : success 

Vous obtenez toujours le message d'avertissement (qui peut être supprimé avec @ $ doc-> de charge()) et il affichera aussi dans le internal libxml errors (une seule fois lorsque le l'analyseur passe de utf8 à latin1). Le code d'erreur pour cette erreur particulière sera 9 (XML_ERR_INVALID_CHAR).

<?php 
$xml = sprintf('<foo> 
    <ae>%s</ae> 
    <oe>%s</oe> 
    & 
</foo>', chr(0xE4),chr(0xF6)); 

libxml_use_internal_errors(true); 
$doc = new DOMDocument; 
$doc->recover = true; 
libxml_clear_errors(); 
$b = $doc->loadxml($xml); 
$invalidCharFound = false; 
foreach(libxml_get_errors() as $error) { 
    if (9==$error->code && !$invalidCharFound) { 
     $invalidCharFound = true; 
     echo "found invalid char, possibly harmless\n"; 
    } 
    else { 
     echo "hm, that's probably more severe: ", $error->message, "\n"; 
    } 
} 

Answer 3

La manière ony de spécifier l'encodage est dans la déclaration XML au début du fichier:

<?xml version="1.0" encoding="ISO-8859-1"?>