php - 智能引号无法正确转换为 UTF8

Question

我有一个 PHP 脚本可以导入和解析 XML 文件并将数据保存到数据库中:

• 数据库整理:utf8_general_ci ，字符集:utf8
• 页面的字符集:utf-8
• XML 文件:ANSI , 包含智能引号(来自 MS Word)

所以在导入过程中我做了一个 utf8_encode()在保存到数据库并随后显示在页面上之前对 XML 文件中的文本进行处理。

但是当成功导入并保存到数据库中时，

• 数据库:智能引号保存为?字符(从CMD查看)
• 页面:智能引号显示为方框

关于为什么智能引号没有被正确转换的任何想法，即使在使用 utf8_encode() 时也是如此？

编辑:

@Tomalak:XML​​ 文件实际上是 .txt ，没有 XML 声明( <?xml ... ?> )，也没有根元素。我的脚本实际上添加了一个根元素，以便解析器工作:

utf8_encode('<article>' . file_get_contents($xmlfile) . '</article>');

似乎我需要添加一个 XML 声明..？如果是这样，它应该是什么样子？

Answer 1

如果您的 XML 字符串(即文件内容)未编码为 UTF-8，则您需要一个表示文件编码的 XML 声明。如果缺少 XML 声明，解析器将采用 UTF-8。

只要您不使用“特殊”字符(即 ASCII 范围之外的任何字符)，即使您的文件不是 真正 UTF-8 编码，它也无需声明即可工作。这是因为 UTF-8 与 ASCII 字节兼容。但是，一旦使用了其中一个代码页上的字符(如“智能引号”)，它就会中断，因为它们在 UTF-8 中由不同的字节表示。

在您的情况下，有一些传统编码的文本文件，您用根元素包装这些文件以将它们转换为格式正确的 XML。因此您需要自己添加 XML 声明:

'<?xml encoding="Windows-1252"?><article>'.file_get_contents($xmlfile).'</article>'

通过这种方式，您可以指示 DOMDocument 如何解释字符串中的字节。我为您假设了 Windows-1252，因为您说的是 ANSI 并提到了弯引号。

事实上，95% 的时间这就是人们真正的意思，即使在 Linux 上，即使他们说 ISO-8859-1(或 latin-1 )，这几乎是，但完全是同一件事。

为了更加确保您可以在十六进制编辑器中打开您的文本文件，找出一些特殊字符并将它们的字节值与可疑编码进行比较。对于 Windows-1252 .对于大引号，预期的字节值为:

• “ 147 (0x93)
• ” 148 (0x94)

一旦声明了字符串中各个字节的含义，DOMDocument 就可以理解它们并做正确的事情。

当涉及到数据库时，我强烈怀疑正在进行某种自动编码转换。我承认我对 PHP/mySQL/Unicode 集成的了解还不够肯定。