如何忽略由于 LibXML 中的错误编码导致的解析错误？答案

【问题标题】：How to ignore parsing errors due to wrong encoding in LibXML?如何忽略由于 LibXML 中的错误编码导致的解析错误？
【发布时间】：2014-08-28 13:48:00
【问题描述】：

我必须解析未使用正确编码标记的 XML（在 XML::LibXML 中）。具体来说，它包含一个德语ü Umlaut（可能还有其他），但没有<?xml version="1.0" encoding="iso-8859-1" ?> 等。当我尝试使用这一行使用 LibXML 解析它时：

my $smDOM = $PRSR->load_xml(location => $smfile, no_blanks => 1)

我收到错误parser error : Input is not proper UTF-8, indicate encoding !。

我也试过了

my $smDOM = $PRSR->load_xml(location => $smfile, no_blanks => 1, encoding=> "iso-8859-1");

导致同样的错误。

【问题讨论】：

Re “我不明白为什么简单的德语变音符号不是正确的 UTF-8？”根据您所说的（“ü”的iso-8859-1编码），您有字节FC。 FC 不是有效的 UTF-8。 “ü”的UTF-8编码为字节C3 BC。

【解决方案1】：

您所拥有的不是 XML 或 HTML，XML::LibXML 支持的两种格式。

encoding 参数严格用于名称匹配 /html/ 的函数，因为 HTML 文档的编码并不总是在 HTML 文档中找到。另一方面，如果 XML 文档的编码不是 UTF-8，则必须在文档中指定。

因此，您将拥有的内容转换为适当的 XML。您可以将编码声明添加到 XML 文档中，也可以将其编码转换为 UTF-8。

use Encode qw( from_to );
from_to($xml, "iso-8859-1", "UTF-8");

【讨论】：