Erreur d'analyseur XML: entité non définie

J'ai cherché sur stackoverflow sur ce problème et le fait de trouver quelques sujets, mais je me sens comme il n'est pas vraiment une réponse solide pour moi sur cette.

J'ai un formulaire soumis par des utilisateurs et la valeur du champ est stocké dans un fichier XML. Le XML est défini pour être encodés en UTF-8.

Chaque maintenant et puis un utilisateur de copier/coller du texte à partir de quelque part et c'est quand je reçois la "entité non défini erreur".

Je me rends compte XML ne prend en charge que quelques entités et rien au-delà qui n'est pas reconnu - d'où l'erreur de l'analyseur.

De ce que je comprends, il y a quelques options que j'ai vu:

Je peux trouver et remplacer tous les   et les échanger avec   ou un espace réel.
Je peux placer le code en question dans une section CDATA.
Je peux inclure ces entités dans le fichier XML.

Ce que je suis en train de faire avec le fichier XML est que l'utilisateur peut entrer des données dans un formulaire, il est stocké dans un fichier XML, et que le contenu puis il est affiché comme XHTML sur une page Web (analysé avec SimpleXML).

Des trois options, ou toute autre option(s) je ne suis pas au courant, ce qui est vraiment la meilleure façon de traiter avec ces entités?

Grâce,
Ryan

Mise à JOUR

Je tiens à remercier tout le monde pour le grand retour. J'ai fait déterminé quelle est la cause de mon entité erreurs. Toutes les suggestions qui m'a fait regarder de plus près!

Certaines zones de texte où plain old zones de texte, mais mon textareas ont été améliorés, avec TinyMCE. Il s'avère, tout en prenant un coup d'œil, que le PHP mises en garde toujours fait référence à des données à partir de la TinyMCE amélioré textareas. Plus tard, j'ai remarqué sur un PC que tous les personnages ont été repris (parce qu'il ne pouvait pas les lire), mais sur un MAC, vous pouvait voir de petites boîtes carrées référençant le numéro unicode du caractère. La raison pour laquelle il a montré dans les carrés sur un MAC, en premier lieu, c'est parce que j'ai utilisé utf8_encode pour coder les données n'était pas en UTF pour éviter d'autres erreurs d'analyse (qui est également, en quelque sorte liés à la TinyMCE).

La solution à tout cela, c'est assez simple:

J'ai ajouté cette ligne entity_encoding : "utf-8" dans mon tinyMCE.init. Maintenant, tous les personnages pour montrer la façon dont ils sont censés.

Je suppose que la seule chose que je ne comprends pas, c'est pourquoi les personnages encore lorsqu'ils sont placés dans des zones de texte, parce que rien ne les convertit en UTF, mais avec TinyMCE, c'était un problème.

Certaines parties de votre question sont invisibles parce qu'ils ont été analysées comme des éléments xml. Veuillez entourer ces bits avec backquotes (`).
Hm, je ne vois rien dans la question de la source qui aurait besoin de cela.
Je peux rechercher et remplacer tous ?? et les échanger avec ?? ou un espace réel." Certain me semble que quelque chose est manquante.
Oh, vous avez raison. Je n'ai pas remarqué ces. Seulement un peu plus de rep aller pour vous et vous pouvez modifier vous-même aux questions. 🙂
+1 utile.

InformationsquelleAutor NightHawk | 2010-09-27

22

Je suis d'accord que c'est purement un problème de codage. En PHP, c'est comment j'ai résolu ce problème:
1. Avant de passer le code html-fragment de SimpleXMLElement constructeur j'ai décodé en utilisant html_entity_decode.
2. Ensuite codées à l'aide de utf8_encode().
```
$headerDoc = '<temp>' . utf8_encode(html_entity_decode($headerFragment)) . '</temp>'; 
$xmlHeader = new SimpleXMLElement($headerDoc);
```
Maintenant le code ci-dessus ne jette pas tout undefined entité erreurs.
- Vous pourriez être en mesure de s'en tirer sans l'aide de utf8_encode si vous donnez "UTF-8" html_entity_decode en tant que troisième paramètre, par exemple html_entity_decode($headerFragment, null, "UTF-8")
InformationsquelleAutor Gaurav Arya
15

Vous pourriez HTML-analyser le texte et qu'il re-échappé avec le numérique entités (comme:   →  ). Dans tous les cas, tout simplement à l'aide de de l'onu-désinfectés la saisie de l'utilisateur est une mauvaise idée.

Toutes les entités numériques sont autorisés en XML, uniquement le nom de ceux connus de l'HTML ne fonctionnent pas (à l'exception de &, ", <, >, ').

La plupart du temps, vous pouvez simplement écrire le caractère réel (ö → ö) pour le fichier XML, donc il n'est pas nécessaire d'utiliser une entité de référence à tous. Si vous utilisez une API DOM pour manipuler le XML (et vous devriez!) c'est votre pari le plus sûr.

Enfin (c'est le paresseux développeur de la solution), vous pouvez construire un fichier XML endommagé (c'est à dire pas bien formé, avec l'entité des erreurs) et juste passer à travers bien rangé pour les fix-ups. Cela peut ou peut ne pas fonction de comment cassé toute la chose est. Dans mon expérience, bien rangé est assez intelligent, cependant, et vous permet d'obtenir beaucoup de lui.
- "Vous pourriez HTML-analyser le texte et qu'il re-échappé avec le numérique entités" - cela signifie que vous pouvez toujours stocker numérique entités HTML entités texte? -Ryan
- Oui, le numérique entités sont autorisées (et reconnu par) XML et HTML.
- Cela signifie que je dois connaître toutes les entités par leur nom et leur numérique de l'entité à l'avance, non? Est-ce que cela va être extrêmement traitement intensif si j'ajoute tous là? -Ryan
- Il y a des fonctions qui connaissent tous les noms d'entité, vous n'avez pas à le faire manuellement. C'est ce que je voulais dire par "HTML-analyser". L'utilisation d'un analyseur HTML pour ce genre de travail.
- Dans l'un de vos paragraphes que vous avez suggéré que vous pouvez stocker le caractère réel, donc, techniquement, avant de les écrire dans le fichier XML, pourrais-je utiliser html_entity_decode pour obtenir le caractère? -Ryan
- Quand vous dites d'utiliser un analyseur HTML, c'est quelque chose qui est à la disposition de PHP en mode natif, ou dois-je besoin d'un "plugin"? Si oui, pouvez-vous recommander un? -Ryan
- href="http://php.net/manual/en/class.domdocument.php" >php.net/manual/en/class.domdocument.php.
InformationsquelleAutor Tomalak
4

1. Je peux rechercher et remplacer toutes les [ ?] et les échanger avec [ ?] ou un espace réel.

C'est une méthode robuste, mais il vous oblige à avoir un tableau de toutes les entités HTML (je suppose que le collé d'entrée est à venir à partir de code HTML) et à analyser le texte collé pour les références d'entité.

2. Je peux placer le code en question dans une section CDATA.

En d'autres termes désactiver l'analyse pour l'ensemble de la section? Ensuite, vous avez à analyser d'une autre manière. Pourrait fonctionner.

3. Je peux inclure ces entités dans le fichier XML.

Vous dire inclure les définitions d'entités? Je pense que c'est un outil simple et robuste, si vous n'avez pas l'esprit de faire le fichier XML tout à fait un peu plus grand. Vous pourriez avoir un fichier "inclus" (trouvée sur le web) qui est une entité externe, ce qui vous référence à partir du haut de votre fichier XML principal.

Un inconvénient est que l'analyseur XML que vous utilisez doit être l'un des processus les entités externes (qui ne à toutes les analyses sont nécessaires pour le faire). Et il doit résoudre correctement (éventuellement relative) URL de l'entité externe à quelque chose d'accessible. Ce n'est pas trop mauvais, mais il peut augmenter les contraintes sur vos outils de traitement.

4. Vous pouvez interdire non-XML dans le contenu collé. Entre autres choses, ce serait d'interdire les références à des entités qui ne sont pas prédéfinis dans le XML (les 5 qui Tomalak mentionné) ou défini dans le contenu lui-même. Cependant cela pourrait violer les exigences de la demande, si les utilisateurs ont besoin pour être en mesure de coller le code HTML dans il.

5. Vous pourriez analyser le contenu collé au format HTML dans une arborescence DOM par la mise en someDiv.innerHTML = thePastedContent;
En d'autres termes, créer un div quelque part (probablement display=none, sauf pour le débogage). Dire que vous avez alors une variable javascript myDiv qui contient cet élément div, et une autre variable myField qui détient l'élément qui est votre champ de texte de saisie. Puis, en javascript, il ne
```
myDiv.innerHTML = myField.value;
```
qui prend la unparsed texte de myField, il analyse dans un DOM HTML arbre, et se l'enfonce dans myDiv comme un contenu HTML.

Alors vous devez utiliser certains navigateur de base de la méthode de sérialisation (= "de-analyse") l'arbre du DOM retour dans le XML. Voir, par exemple,cette question. Puis vous envoyer le résultat au serveur XML.

Si vous voulez faire ce correctif dans le navigateur ou sur le serveur (comme @Hannes suggéré) dépendra de la taille des données, la rapidité de la réponse, comment costaud de votre serveur, et si vous vous souciez de pirates de l'envoi de non-XML bien formé sur le but.
- pourquoi serait ö devenir &ouml;? Lorsque le texte est mis en innerhtml, n'est-ce pas obtenir analysée dans les dom comme un seul caractère o-tréma?
- 1. Serait probablement trop de frais généraux, de droite? 2. À bien y penser, cela semble contre-productif, je vais donc éliminer cette option. 3. En outre, le fichier étant plus grand, il y a d'autres inconvénients? Si non, je dirais que c'est le chemin à parcourir. 4. Oui, cela violerait les exigences. 5. Je ne comprends pas cette solution peut vous fournir plus de détails? -Ryan
- Je vais modifier ma réponse à ajouter des détails sur 3 et 5.
- Je vous remercie pour cela! 3. La question est: cela coûterait-il plus de temps processeur chaîne de remplacement de ces valeurs ou de l'incorporation d'une DTD qui vérifie pour les entités? 5. OK, je comprends maintenant. Je voudrais le faire sur le serveur. -Ryan
- remplacer les valeurs soi-même est probablement plus rapide, puisque la DTD de traitement est beaucoup plus général. Mais vous auriez à le tester pour en être sûr.
InformationsquelleAutor LarsH
1

Si vous voulez convertir tous les caractères, ce qui peut vous aider (je l'ai écrit un tout à l'arrière) :

http://www.lautr.com/convert-all-applicable-characters-to-numeric-entities-for-use-in-xml
```
function _convertAlphaEntitysToNumericEntitys($entity) {
  return '&#'.ord(html_entity_decode($entity[0])).';';
}

$content = preg_replace_callback(
  '/&([\w\d]+);/i',
  '_convertAlphaEntitysToNumericEntitys',
  $content);

function _convertAsciOver127toNumericEntitys($entity) {
  if(($asciCode = ord($entity[0])) > 127)
    return '&#'.$asciCode.';';
  else
    return $entity[0];
}

$content = preg_replace_callback(
  '/[^\w\d ]/i',
  '_convertAsciOver127toNumericEntitys', $content);
```
- eh bien,si vous appliquez "$contenu = la fonction preg_replace_callback('/&([\w\d]+);/i','_convertAlphaEntitysToNumericEntitys',$contenu);" toutes les entités HTML (  et autres joyeusetés) devient entités numériques. Après qui s'appliquent "$contenu = la fonction preg_replace_callback('/[^\w\d ]/i','_convertAsciOver127toNumericEntitys'), $contenu);" et tous les caractères ci-dessus 127 (qui n'est pas géré par htmlspecialchars ) est convertie en une valeur numérique de l'entité, si je la comprends mal pouvez-vous veuillez donner un exemple extrait de l'Entrée?
- désolé, j'ai mal compris ce que votre code n'. La suppression de mon commentaire précédent.
InformationsquelleAutor Hannes

Cette question est un problème général pour toutes les langues qui analyse XML ou JSON (donc, en gros, de toutes les langues).

Les réponses ci-dessus sont pour PHP, mais Perl solution serait simple comme...

my $excluderegex =
    '^\n\x20-\x20' .   # Don't Encode Spaces
       '\x30-\x39' .   # Don't Encode Numbers
       '\x41-\x5a' .   # Don't Encode Capitalized Letters
       '\x61-\x7a' ;   # Don't Encode Lowercase Letters

    # in case anything is already encoded
$value = HTML::Entities::decode_entities($value);

    # encode properly to numeric
$value = HTML::Entities::encode_numeric($value, $excluderegex);

InformationsquelleAutor HoldOffHunger

Vous devez vous connecter pour publier un commentaire.