如何sanitize/validate XML 文件在PHP？数据错误

Question

我收到了我无法控制的 XML 个文件，我需要从中提取数据。这是我的代码：

public function importXML($filePath)
{
    $dom = new \DOMDocument();
    $dom->load($filePath);

    $xml = simplexml_import_dom($dom);
    foreach ($xml->PLU as $item) {
        $name = $item->NAME;

我在某处读到 DOMDocument() 清理了 xml 的一部分，因此最好先将文件加载到那里，然后他们通过 simplexml_import_dom() 导入它。截至目前，此代码在 70% 的时间内有效，我成功地完成了所有我想做的事情，但另外 30% 的时间我收到此错误：

[ExceptionError] DOMDocument::load(): PCDATA invalid char Value 31 in /path/to/file.xml, line 2

我已经对这个问题进行了一些挖掘，并且找到了一个可能的解决方案，但就我而言，它没有：

第一个选项：

function utf8_for_xml($string)
{
    return preg_replace ('/[^\x{0009}\x{000a}\x{000d}\x{0020}-\x{D7FF}\x{E000}-\x{FFFD}]+/u', ' ', $string);
}

但是我尝试在 simplexml_import_dom() 之前将我的 $dom 加载文件放入其中，但它给出了相同的错误。

第二个选项：

function stripInvalidXml($value)
{
    $ret = "";
    $current;
    if (empty($value)) 
    {
        return $ret;
    }

    $length = strlen($value);
    for ($i=0; $i < $length; $i++)
    {
        $current = ord($value{$i});
        if (($current == 0x9) ||
            ($current == 0xA) ||
            ($current == 0xD) ||
            (($current >= 0x20) && ($current <= 0xD7FF)) ||
            (($current >= 0xE000) && ($current <= 0xFFFD)) ||
            (($current >= 0x10000) && ($current <= 0x10FFFF)))
        {
            $ret .= chr($current);
        }
        else
        {
            $ret .= " ";
        }
    }
    return $ret;
}

我也没有运气，因为错误继续发生。 XML 文件编码是 "WINDOWS-1251"，如果有帮助，一些文件使用西里尔文。

是编码问题还是与 XML 文件（开始和结束标记等）的有效性有关？

如有任何帮助，我们将不胜感激。

Answer 1

感谢@NigelRen，我做了以下并且效果很好：

    private function stripInvalidXml($value)
{
    $ret = "";
    $current;
    if (empty($value)) 
    {
        return $ret;
    }

    $length = strlen($value);
    for ($i=0; $i < $length; $i++)
    {
        // For >PHP7.3 use ord($value[$i])
        $current = ord($value{$i});
        if (($current == 0x9) ||
            ($current == 0xA) ||
            ($current == 0xD) ||
            (($current >= 0x20) && ($current <= 0xD7FF)) ||
            (($current >= 0xE000) && ($current <= 0xFFFD)) ||
            (($current >= 0x10000) && ($current <= 0x10FFFF)))
        {
            $ret .= chr($current);
        }
        else
        {
            $ret .= " ";
        }
    }
    return $ret;
}

我使用了我发现的第二种验证方法加上用 file_get_contents 打开 xml 然后修改它：

public function importXML($filePath)
{
    $content = file_get_contents($filePath);
    $modified = $this->stripInvalidXml($content);

    $dom = new \DOMDocument();
    $dom->loadXML($modified);

    $xml = simplexml_import_dom($dom);

现在 $xml 有效，您可以根据需要进行处理。

如何sanitize/validate XML 文件在PHP？数据错误

How to sanitize/validate XML file in PHP? PCDATA error

php

xml

simplexml

utf-8

domdocument