解析器错误：仅在文档开头允许 XML 声明

Question

我有一个包含多个声明的 xml 文件，如下所示

<?xml version="1.0" encoding="UTF-8"?>
<root>
 <node>
  <element1>Stefan</element1>
  <element2>42</element2>
  <element3>Shirt</element3>
  <element4>3000</element4>  
</node>
</root>

<?xml version="1.0" encoding="UTF-8"?>
<root>
 <node>
  <element1>Damon</element1>
  <element2>32</element2>
  <element3>Jeans</element3>
  <element4>4000</element4>  
</node>
</root>

当我尝试使用

加载 xml 时

$data = simplexml_load_file("testdoc.xml") or die("Error: Cannot create object");

然后它给了我以下错误

Warning: simplexml_load_file(): testdoc.xml:11: parser error : XML declaration allowed only at the start of the document in C:\xampp\htdocs\crea\services\testxml.php on line 3

Warning: simplexml_load_file(): <?xml version="1.0" encoding="UTF-8"?> in C:\xampp\htdocs\crea\services\testxml.php on line 3

Warning: simplexml_load_file(): ^ in C:\xampp\htdocs\crea\services\testxml.php on line 3

Warning: simplexml_load_file(): testdoc.xml:12: parser error : Extra content at the end of the document in C:\xampp\htdocs\crea\services\testxml.php on line 3

Warning: simplexml_load_file(): <root> in C:\xampp\htdocs\crea\services\testxml.php on line 3

Warning: simplexml_load_file(): ^ in C:\xampp\htdocs\crea\services\testxml.php on line 3
Error: Cannot create object

请告诉我如何解析此 xml 或如何将其拆分为多个 xml 文件以便我可以阅读。文件大小约为 1 GB。

Answer 1

第二行

<?xml version="1.0" encoding="UTF-8"?>

需要删除。任何文件中只允许有 1 个 xml 声明，并且必须是第一行。

严格来说，您还需要有一个根元素（尽管我见过宽松的解析器）。只需用伪标签包装内容，使您的文件看起来像：

<?xml version="1.0" encoding="UTF-8"?>
<metaroot><!-- synthetic unique root, no semantics attached -->
    <root>
        <!-- ... -->
    </root>
    <root>
        <!-- ... -->
    </root>

    <!-- ... -->
</metaroot>

（非常）大文件的解决方案：

使用sed 消除有问题的xml 声明，使用printf 添加单个xml 声明和一个唯一的根元素。一系列 bash 命令如下：

  printf "<?xml version=\"1.0\" encoding=\"UTF-8\"?>\n<metaroot>\n" >out.xml
  sed '/<\?xml /d' in.xml >>out.xml
  printf "\n</metaroot>\n" >>out.xml

in.xml 表示您的原始文件，out.xml 表示清除的结果。

printf 打印单个 xml 声明和开始/结束标记。 sed 是一种逐行编辑文件的工具，根据正则表达式模式匹配执行操作。要匹配的模式是 xml 声明的开头 (<\? xml)，要执行的操作是删除该行。

注意事项：

• 命令中的反斜杠在它们出现的位置转义具有特殊语义的符号。
• sed 也适用于 windows/macos。

替代解决方案

另一种选择是将文件拆分成单独的格式良好的文件（取自this SO answer：

csplit -z -f 'temp' -b 'out%03d.xml' in.xml '/<\?xml /' {*}

生成名为out000.xml、out001.xml、...的文件 您至少应该知道已处理到输入文件中的单个文件数量的大小，以便自动编号安全（尽管您当然可以将输入文件的字节数作为大小，使用-b 'out%09d.xml' in上面的命令）。

Answer 2

这不是有效的 XML。您将需要使用字符串函数来拆分它 - 或者更准确地说是逐个读取它。

$xmlDeclaration = '<?xml version="1.0" encoding="UTF-8"?>';

$file = new SplFileObject($filename, 'r');
$file->setFlags(SplFileObject::SKIP_EMPTY);
$buffer = '';
foreach ($file as $line) {
  if (FALSE === strpos($line, $xmlDeclaration)) {
    $buffer .= $line; 
  } else {
    outputBuffer($buffer);
    $buffer = $line;
  }
}
outputBuffer($buffer);

function outputBuffer($buffer) {
  if (!empty($buffer)) {
    $dom = new DOMDocument();
    $dom->loadXml($buffer);
    $xpath = new DOMXPath($dom);
    echo $xpath->evaluate('string(//element1)'), "\n";
  }
}

输出：

Stefan
Damon