PHP - 读取和修复大的无效 XML 文件

Question

我必须阅读一些非常重的 XML 文件（在 200 MB 和 1 GB 之间），其中一些文件是无效的。让我举个小例子：

<?xml version="1.0" encoding="UTF-8"?>
<rss xmlns:g="http://base.google.com/ns/1.0" version="2.0">
  <item>
    <title>Some article</title>
    <g:material><ul><li>50 % Coton</li><li>50% Lyocell</li></g:material>
  </item>
</rss>

显然，g:material 标记中缺少 </ul> 结束标记。此外，开发此提要的人应该将g:material 内容包含在CDATA 中，但他们没有...基本上，这就是我想要做的：添加这个缺少的CDATA 部分。

我尝试使用 SAX 解析器读取此文件，但在读取 </g:material> 标记时失败，因为缺少 </ul> 标记。我尝试过使用 XMLReader，但遇到了基本相同的问题。 我可能可以用 DomDocument::loadHtml 做一些事情，但是这个文件的大小与 DOM 方法并不真正兼容。 您知道我如何可以简单地修复此提要，而无需购买大量 RAM 以供 DomDocument 工作吗？ 谢谢。

Answer 1

（复制自https://stackoverflow.com/a/17903058/287948）

总结为两步：

1. 使用 Tidy 将“免费的 HTML”转换为“好的 XHTML”。
2. 使用 XML Parser 通过 SAX API 将 XHTML 解析为 XML。

---

首先使用Tidy (!)，将“免费 HTML”转换为 XHTML（或者当您无法信任“假定的 XHTML”时）。请参阅cleanRepair 方法。它需要更多时间，但运行大文件（！）...Set some minutes as maximum execution time 如果太大。

另一个选项（用于处理大文件）是在检查或转换为 XHTML 后缓存您的 XHTML 文件。请参阅 Tidy 的 repairfile 方法。

使用“受信任的 XHTML”，使用 SAX...如何将 SAX 与 PHP 一起使用？

用SAX standard API解析XML，在PHP中由LibXML实现（参见LibXML2xmlsoft.org），它的接口是PHP's XML Parser，它靠近SAX 标准 API。

使用“LibXML2 的 SAX”的另一种方法是使用 XMLReader 和另一个接口（@98​​7654330@ 而不是传统的 SAX 接口）。见this explanation about "XMLReader use SAX"。

---

是的，术语“SAX”或“SAX API”未在 PHP 手册中表达 (!)。见this old but good introduction。

Answer 2

如果文件太大而无法使用Tidy 扩展名，您可以使用tidy CLI tool 使文件可解析。

$ tidy -output my.clean.xml my.xml

之后，XML 文件格式正确，因此您可以使用 XMLReader 解析它们。由于 tidy 添加了“缺少的”(X)HTML 部分，因此您的原始文档的代码位于元素内。