Xml中的非法字符

Question

我有一个PHP文件，它根据从多个源导入的数据生成Xml站​​点地图。由于导入数据的一行中存在非法字符，我的站点地图目前没有正确形成，但我正在努力将其删除。

该字符看起来代表'平方'或上标2，并表示为正方形。我试过把它粘贴到一个十六进制编辑器中，但它被显示为？，并且十六进制代码也对应于？。我也尝试使用iconv从所有源编码转换到所有目的地编码，没有组合去除这个字符。

我也有以下函数删除非ASCII字符：

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))) 
     { 
      if($current != 0x1F) 
      { 
       $ret .= chr($current); 
      } 
     } 
     else 
     { 
      $ret .= " "; 
     } 
    } 


    return $ret; 
} 

但是这仍然没有删除它。如果我单步执行代码，非法角色会扩展到＆＃65535;在月食调试窗口中。它是一种与低于问题的字符串（希望它正确地贴）

251gm-50

上的功能的任何想法，这将删除此字符，并防止这种形式的出现是非常感激 - 我没有什么控制权导入的数据，因此需要在Xml生成时完成。

编辑

张贴我可以看到的字符不能正确显示后。在Eclipses窗口中查看时，它显示为&＃65535; （不带空格 - 如果我离开的空间在它呈现的特点，它看起来像＆＃65535;）

Answer 1

我觉得我一直在寻找错了路 - 而不是编码问题字符是代表“平方”符号的HTML实体。由于在URL中的描述只存在于搜索enging目的，我可以放心地用下面的正则表达式中删除所有ヶ辆：

$content = preg_replace("/&#?[a-z0-9]+;/i","",$content); 

Answer 2

这是错误的：因为它在一个字节

$current = ord($value{$i}); 
    if (($current == 0x9) || 
     ($current == 0xA) || 
     ($current == 0xD) || 
     (($current >= 0x20) && ($current <= 0xD7FF)) || 
     (($current >= 0xE000) && ($current <= 0xFFFD)) || 
     (($current >= 0x10000) && ($current <= 0x10FFFF))) 
    { 
     if($current != 0x1F) 
      $ret .= chr($current); 
    } 

ord()永远不会返回不是0xFF的还有更大逐字节的方式。

我猜你的XML是无效的，因为该文件包含无效的UTF-8序列（实际上&＃65535，即0xFFFF，在UTF-8中无效）。这可能来自具有不同编码的不同XML文件的复制粘贴。

我建议您使用DOM extension来代替您的XML mash-up，它通过将它们内部转换为UTF-8自动处理不同的编码。

Answer 3

您正在尝试执行字符转码。不要自己动手，使用PHP库。

我发现iconv非常有用：

$cleanText = iconv('UTF-8','ISO-8859-1//TRANSLIT//IGNORE', $srcText); 

此代码从UTF-8到ISO-8859转换，试图重新映射“异国情调”的字符，而忽略不能转码的人。

我只是猜测源编码是utf-8。您必须发现传入数据正在使用哪种编码，并将其转换为您在XML标头中声明的编码。

Linux命令行工具，猜测文件的编码是enca