使用HTML特殊字符加载DOMDocument（php）

Question

我有一个问题，用PHP加载一个xml文件。 我使用DOMDocument，因为我需要函数getElementsByTagName 。
我用这个代码。

$dom = new DomDocument('1.0', 'UTF-8'); $dom->resolveExternals = false; $dom->load($_FILES["file"]["tmp_name"]); 

 <?xml version="1.0" encoding="UTF-8"?> <Data> <value>1796563</value> <value>Verliebt! &rsquo;</value> </Data> 

错误信息：
警告：DOMDocument :: load（）[domdocument.load]：实体'rsquo'未在/ tmp / php1VRb3N中定义，第4行/www/htdocs/bla/upload.php中第4行：

Answer 1

为了使用该实体，必须在DTD中定义它。 否则它是无效的XML。 如果您没有DTD，则应在使用DOM加载XML之前解码实体：

$dom->load(
    html_entity_decode(
        file_get_contents($_FILES["file"]["tmp_name"]), 
        ENT_COMPAT, 'UTF-8'));

Answer 2

你的XML解析器没有说谎。 这是一个无法（甚至没有格式良好）的文档，你将无法加载任何东西。

rsquo是HTML中的预定义实体，但不是XML。 在XML文档中，如果要使用除最基本的内置实体（ amp ， lt ， gt ， quot和apos ）之外的任何内容，则必须在由<!DOCTYPE>声明引用的DTD中定义它们。 （这就是XHTML的用法。）

您需要找出输入的来源并修复负责创建输入的内容，因为目前它根本不是XML。 使用字符引用（ ’或者只是普通文字字符'以UTF-8编码。

作为最后的手段，如果你真的不得不接受这种格式错误的输入，你可以对文件进行令人讨厌的字符串替换：

$xml= file_get_contents($_FILES['file']['tmp_name']);
$xml= str_replace('’', '’', $xml);
$dom->loadXML(xml);

如果您需要为所有非XML HTML实体执行此操作，而不仅仅是rsquo ，这有点棘手。 你可以做一个正则表达式替换：

function only_html_entity_decode($match) {
    if (in_array($match[1], array('amp', 'lt', 'gt', 'quot', 'apos')))
        return $match[0];
    else
        return html_entity_decode($match[0], ENT_COMPAT, 'UTF-8');
}
$xml= preg_replace_callback('/&(\w+);/', 'only_html_entity_decode', $xml);

这仍然不是很好，因为它会破坏&\\w+;任何序列&\\w+; 注释，CDATA部分和PI之类的地方内的字符，这实际上并不意味着实体引用。 但考虑到这种破坏的输入，它可能是你能做的最好的事情。

它肯定比在整个文档上调用html_entity_decode更好，这也会弄乱任何XML实体引用，导致文档在存在的情况下中断& 或者< 。

另一个以不同方式存在问题的黑客方法是使用loadHTML()加载文档。

Answer 3

在bobince的帮助下我的解决方案是：

    $xml= file_get_contents($_FILES['file']['tmp_name']);
    $xml= preg_replace('/&(\w+);/', '', $xml);
    $dom = new DomDocument();
    $dom->loadXML($xml);