如何处理PHP xml_parse解析时的‘无效字符’错误？

问题背景 #

解析第三方提供的50MB级大XML文件时，遇到由无效HTML实体引发的Invalid character (error code: 9)错误。由于文件过大，采用fread()分块读取，无法提前完整清理数据后再传入XML解析器，需要在解析流程中处理这类无效字符。

当前PHP代码 #

$parser = xml_parser_create();
xml_parser_set_option($parser, XML_OPTION_CASE_FOLDING, FALSE);
xml_set_element_handler($parser, "startElement", "endElement"); 
xml_set_character_data_handler($parser, "characterData"); 

$fp = fopen($file, "rb");
while ($data = fread($fp, 4096)) {
  if (!xml_parse($parser, $data, feof($fp))) {
    $errorCode = xml_get_error_code($parser);
    printf(
      "XML Parser: %s (error code: %d). File: %s, line %d, column %d.",
      xml_error_string($errorCode),
      $errorCode,
      $file,
      xml_get_current_line_number($parser),
      xml_get_current_column_number($parser),
    );
  }
}

异常现象 #

• 24个文件中有4个存在问题，每个问题文件的两行各含1个无效字符，但报错始终指向首次出现的行
• 相同错误信息重复显示次数无规律，不同大小文件的报错次数差异明显
• 报错提示的列号与实际无效字符的位置不匹配

解决方案 #

分块清理无效字符 #

针对分块读取的特性，对每次fread()获取的数据先过滤无效控制字符，再传入解析器。XML禁止的ASCII控制字符（如对应STX字符）可通过正则批量移除：

$parser = xml_parser_create();
xml_parser_set_option($parser, XML_OPTION_CASE_FOLDING, FALSE);
xml_set_element_handler($parser, "startElement", "endElement"); 
xml_set_character_data_handler($parser, "characterData"); 

$fp = fopen($file, "rb");
while ($data = fread($fp, 4096)) {
  // 过滤XML无效控制字符，保留可打印字符与合法空白字符
  $cleanData = preg_replace('/[\x00-\x08\x0B\x0C\x0E-\x1F]/u', '', $data);
  if (!xml_parse($parser, $cleanData, feof($fp))) {
    $errorCode = xml_get_error_code($parser);
    printf(
      "XML Parser: %s (error code: %d). File: %s, line %d, column %d.",
      xml_error_string($errorCode),
      $errorCode,
      $file,
      xml_get_current_line_number($parser),
      xml_get_current_column_number($parser),
    );
    // 终止解析避免重复报错
    break;
  }
}
xml_parser_free($parser);
fclose($fp);

解决报错异常问题 #

1. 重复报错：原代码中解析器出错后状态异常，后续分块解析会持续触发错误。添加break语句可在首次报错后终止流程，避免重复输出。
2. 位置偏移：分块清理字符会改变数据长度，导致解析器的行/列号计算偏差。若需精准定位，可在清理前记录分块的原始位置；或改用支持错误恢复的解析库。

替代方案：使用XMLReader流式解析 #

PHP的XMLReader专为大文件流式解析设计，内存占用低，配合libxml参数可灵活处理无效字符：

$reader = new XMLReader();
// 开启libxml内部错误处理，忽略无效字符
libxml_use_internal_errors(true);
$reader->open($file);

while ($reader->read()) {
  // 自定义节点处理逻辑
  if ($reader->nodeType === XMLReader::ELEMENT) {
    // 对应原startElement逻辑
  } elseif ($reader->nodeType === XMLReader::END_ELEMENT) {
    // 对应原endElement逻辑
  } elseif ($reader->nodeType === XMLReader::TEXT) {
    // 对应原characterData逻辑
  }
}

// 可选：输出解析错误
$errors = libxml_get_errors();
foreach ($errors as $error) {
  printf(
    "XML Parser: %s (error code: %d). File: %s, line %d, column %d.",
    $error->message,
    $error->code,
    $file,
    $error->line,
    $error->column
  );
}
libxml_clear_errors();
$reader->close();

内容的提问来源于stack exchange，提问作者Pascal Polleunus