来自xml的php utf-8解码返回问号

Question

我在使用 xml 时遇到了一些问题。我知道这是一个常见的问题，但我找到的答案并没有解决我的问题。问题是，当我使用 php domdocument 在我的 xml 文件中添加 é 或 ä 或其他特殊字符时，它将 é 保存为 xE9，将 ä 保存为 xE4。我不知道这是否可以，但是当我想显示输出时，它会在这些地方显示问号。 我已经尝试了很多。就像在 php domdocument 的 de xml 标头中删除和添加编码一样。我还尝试使用 file_get_contents 并使用 php utf-8_decode 来获取 xml。我尝试使用 iso intead，但没有解决我的问题。相反，我有时会遇到 php xml 解析错误。我必须做错什么，但怎么办？那是我的问题以及我如何解决这个问题。 我的 xml 文件如下所示： xE9 和 xE4 有黑色背景。

<?xml version="1.0" encoding="UTF-8"?>
<root>
  <row id="1">
    <question>blah</question>
    <answer>blah</answer>
  </row>
  <row id="2">
    <question>xE9</question>
    <answer>xE4</answer>
  </row>
</root>

和我的 php xml 类的一部分

function __construct($filePath) {
    $this->file = $filePath;
    $this->label = array('Vraag', 'Antwoord');
    $xmlStr = file_get_contents($filePath);
    $xmlStr = utf8_decode($xmlStr);
    $this->xmlDoc = new DOMDocument('1.0', 'UTF-8');
    $this->xmlDoc->preserveWhiteSpace = false;
    $this->xmlDoc->formatOutput = true;
    //$this->xmlDoc->load($filePath);   
    $this->xmlDoc->loadXML($xmlStr);
}       

这是添加新行功能

//creates new xml row and saves it in xml file
function addNewRow($question, $answer) {
    $nextAttr = $this->getNextRowId();
    $parentNode = $this->xmlDoc->documentElement;
    $rowNode = $this->xmlDoc->createElement('row');
    $rowNode = $parentNode->appendChild($rowNode);
    $rowNode->setAttribute('id', $nextAttr);    
    $q = $this->xmlDoc->createElement('question');
    $q = $rowNode->appendChild($q);
    $qText = $this->xmlDoc->createTextNode($question);
    $qText = $q->appendChild($qText);
    $a = $this->xmlDoc->createElement('answer');
    $a = $rowNode->appendChild($a);
    $aText = $this->xmlDoc->createTextNode($answer);
    $aText = $a->appendChild($aText);
    $this->xmlDoc->save($this->file);
}

在我添加特殊字符之前一切正常。这些显示为问号。

Answer 1

好的，以下内容现在有点粗略/冗长，尤其是您已经尝试了很多。试着保持新鲜的眼睛，想想一旦你在编码上犯了一个小错误，它通常就已经搞砸了。因此，重要的是要正确了解哪些机制在这里起作用。

我尝试解决在 PHP 中的 DOMDocument 中运行的一些机制。您可能会发现这很有趣或令人生畏，甚至最终解决方案也非常简单，您甚至不需要更改 PHP 代码，但我还是想解决这个问题，因为 Stackoverflow 和PHP 手册，最好有更多参考资料，因为正确理解很重要——正如我已经写过的那样。

所以默认情况下，XML 是 UTF-8。 UTF-8 几乎是当今互联网的完美选择。当然，这并非在所有情况下都完全正确，但总的来说，这是一个安全的选择。所以 XML 本身和它的默认编码 UTF-8 非常好。

这对 DOMDocument 意味着什么？只是默认情况下 DOMDocument 将采用这种编码，我们不需要关心它。这是一个简单的展示，输出如下注释：

$doc = new DOMDocument();
$doc->save('php://output');
# <?xml version="1.0"?>

这个非常简短的示例显示了 PHP 对 DOMDocument 的默认 UTF-8 编码。该文档甚至还没有包含根节点，但已经显示了默认的 XML UTF-8 编码在 XML 声明中没有指定：<?xml version="1.0"?>。

所以你可能会说“但我想要”，当然你可以。这就是调用构造函数时 DOMDocument 的 encoding 参数的作用：

$doc = new DOMDocument('1.0', 'UTF-8');
                               #####  Encoding Parameter
$doc->save('php://output');
# <?xml version="1.0" encoding="UTF-8"?>

如图所示，我们使用的第一个 (version) 和第二个 (encoding) 参数将被写出。所以是的，我们可以做不允许的事情。但是这个XML Declaration 允许什么？ AFAIK 有一个 XML 版本，即 1.0。因此版本参数必须始终为 1.0。编码允许什么？ XML 规范说 all the IANA characters sets，简而言之，它应该是以下常见规范之一（应该，不是必须）：UTF-8、UTF-16、ISO-10646-UCS-2、ISO-10646-UCS-4、ISO- 8859-1 至 ISO-8859-9、ISO-2022-JP、Shift_JIS、EUC-JP。好的哇，这已经是一个很长的列表了。

那么让我们来看看 PHP 的 DOMDocument 到底给我们带来了什么：

$doc = new DOMDocument('♥♥ love, hugs and kisses ♥♥', 'UTF-8');
$doc->save('php://output');
# <?xml version="♥♥ love, hugs and kisses ♥♥" encoding="UTF-8"?>

编码按预期工作，版本是装饰性的，但它显示：这是使用编码为 UTF-8 的 Unicode 字符。现在让我们将编码更改为不同的：

$doc = new DOMDocument('♥♥ love, hugs and kisses ♥♥', 'ISO-8859-1');
$doc->save('php://output');
# <?xml version="&#9829;&#9829; love, hugs and kisses &#9829;&#9829;" encoding="ISO-8859-1"?>

因为 Unicode 心在 ISO-8859-1 中没有位置，它们被替换为相应的数字 HTML 实体 (♥)。如果我们直接在其中添加一个 ISO-8859-1 字符，如ö（PHP 中的二进制字符串"\xF6"）会发生什么？

$doc = new DOMDocument("♥♥ l\xF6ve, hugs and kisses ♥♥", 'ISO-8859-1');
$doc->save('php://output');
# Warning: DOMDocument::save(): output conversion failed due to conv error, 
#          bytes 0xF6 0x76 0x65 0x2C
#                ^^^^  |    |    |
#                "ö"   v    e   space

这不起作用。 DOMDocument 告诉我们，我们提供的信息无法转化为ISO-8859-1 输出。这是意料之中的：DOMDocument 要求所有输入都是 UTF-8。所以这次让我们从 unicode 中取 ö：

$doc = new DOMDocument('♥♥ löve, hugs and kisses ♥♥', 'ISO-8859-1');
$doc->save('php://output');
# <?xml version="&#9829;&#9829; l�ve, hugs and kisses &#9829;&#9829;" encoding="ISO-8859-1"?>

尽管钻石上有这个问号，现在看起来还不错。因为在我的电脑上显示/输出是 UTF-8，所以这里不能显示 ISO-8859-1 ö 字符。所以我的显示器用� Unicode Character 'REPLACEMENT CHARACTER' (U+FFFD) 代替了它。这是正确的，“ö”现在可以工作了。

到目前为止，这清楚地表明您只能将 UTF-8 编码的字符串传递到 DOMDocument 中，这与您为该文档指定的 XML 编码无关。

因此，让我们在您的问题中使用 UTF-8 文档打破此规则，并添加一些非 UTF-8 文本，例如在 ISO-8859-1 中。 Windows-1252：

$doc = new DOMDocument('1.0', 'UTF-8');

$doc->appendChild($doc->createElement('root'))
    ->appendChild($doc->createElement('question'))
    ->appendChild($doc->createTextNode("l\xF6ve, hugs and kisses"));

$doc->save('php://output');
# <?xml version="1.0" encoding="UTF-8"?>
# <root><question>l�ve, hugs and kisses</question></root>

根据您查看输出的程序，它可能不会显示问号 - 而只是“xF6”。我会说你的文件编辑器就是这种情况。

所以这也是解决方案：当您将字符串数据传递到 DOMDocument 时，确保它是 UTF-8 编码的：

->appendChild($doc->createTextNode(utf8_encode("l\xF6ve, hugs and kisses")));
                                   ########### (works with ISO-8859-1 only (!))

# <?xml version="1.0" encoding="UTF-8"?>
# <root><question>löve, hugs and kisses</question></root>

或者在您的情况下，告诉浏览器您的网站需要 UTF-8。然后您不需要重新编码任何内容，因为您的浏览器已经使用正确的编码发送数据。 W3C 为我建议您现在阅读的主题收集了一些有用的资源：

• Multilingual form encoding