Simplexml – načtení UTF8 XML s nevalidními znaky

2. 12. 2014 10:56:18

Zdravím,

mám problém s načtením XML od dodavatele přes simplexml_load_file();

V logu se mi objevuje toto:

Občas jsou ve feedu prostě nevalidní znaky a dodavatel s tím nic neudělá, potřebuji to nějak ošetřit, aby to simple xml načetlo. Řešil to tady někdo?

XML načítám takto:

$sxml=simplexml_load_file($content, null, LIBXML_NOCDATA);

Zkoušel jsem to ještě takto, ale nepomohlo:

$content = utf8_encode(file_get_contents('http://example.com/rss.xml'));

$xml = simplexml_load_string($content);

Díky.

2. 12. 2014 10:56:18

https://webtrh.cz/diskuse/simplexml-nacteni-utf8-xml-s-nevalidnimi-znaky/#reply1073213

malyprinc

(5 hodnocení)

2. 12. 2014 11:14:01

asi bych si ten xml soubor sám modifikoval a všechny texty obalil CDATA viz http://www.w3schools.com/xml/xml_cdata.asp

2. 12. 2014 11:14:01

https://webtrh.cz/diskuse/simplexml-nacteni-utf8-xml-s-nevalidnimi-znaky/#reply1073212

Smazany ucet 253

(3 hodnocení)

4. 12. 2014 00:21:57

Napadají mě možná řešení:

setlocale(LC_CTYPE, 'cs_CZ.UTF-8');

$file = "sample.xml";

$content = file_get_contents($file);

$content = iconv(mb_detect_encoding($content, mb_detect_order(), true), 'UTF-8//TRANSLIT', $content);

$xml = simplexml_load_string($content);

var_dump($xml);

// kódování ze souboru ... např.: xml version="1.0" encoding="?????"

$dom = new DOMDocument('1.0', 'DEFAULTNI_KODOVANI_XML_SOUBORU');

$dom->load('soubor.xml');

$simple = simplexml_import_dom($dom->documentElement);

setlocale(LC_CTYPE, 'cs_CZ.UTF-8');

function str2utf ($string) {

return mb_convert_encoding($string, 'UTF-8', mb_detect_encoding($string) );

}

$file = "sample.xml";

$xml = new XMLReader;

$xml->open($file);

$doc = new DOMDocument;

while ($xml->read() && $xml->name !== 'NEJAKY_TAG_KE_CTENI');

while ($xml->name === 'NEJAKY_TAG_KE_CTENI')

{

$node = simplexml_import_dom($doc->importNode($xml->expand(), true));

$string = (string) $node->TAG_KTERY_CHCI_CIST;

$result = iconv( mb_detect_encoding( $string, mb_detect_order(), true ), 'UTF-8//TRANSLIT', $string );

//echo $result . "

";

$xml->next('NEJAKY_TAG_KE_CTENI');

}

---------- Příspěvek doplněn 04.12.2014 v 00:51 ----------

tak dej vědět, jestli něco pomůže ....

4. 12. 2014 00:21:57

https://webtrh.cz/diskuse/simplexml-nacteni-utf8-xml-s-nevalidnimi-znaky/#reply1073211

puhy.cz

(5 hodnocení)

16. 12. 2014 10:33:38

Díky moc za odpověď. Každopádně A ani B nepomáhá. Končí to vždy na stejných znacích. V error logu je toto:

Pokud by jsi byl ochotný na to kouknout, pošli SZ a domluvíme se (co za to).

16. 12. 2014 10:33:38

https://webtrh.cz/diskuse/simplexml-nacteni-utf8-xml-s-nevalidnimi-znaky/#reply1073210

Smazany ucet 253

(3 hodnocení)

16. 12. 2014 11:00:52

tak tahle chyba je způsobena tím, že se v XML vyskytuje neukončený nějaký tag (např. a chybí ). Je to chyba parseru. Pokud s tím dodavatel nic nechce udělat, tak je za 1. idiot a za 2. nemám zdání, jak to řešit opravdu spolehlivě ... Maximálně stáhnout soubor na disk serveru, otevřít pomocí fopen a řádek po řádku kontrolovat tagy pomocí reg exps ...

Ještě zkus soubor jednoduše otevřít pomocí DOMDocument a použít recover a uložit:

$file = 'feed.xml';

$dom = new DOMDocument();

$dom->recover = TRUE;

$dom->load($file);

$dom->save('local.xml');

respektive ještě experimentovat s DOMDocumentem a metody normalizeDocument:

$dom = new DOMDocument();

$dom->validateOnParse = false;

$dom->load($file);

$dom->normalizeDocument();

$dom->save('local.xml');