PHP XMLReader解析含无效字符引用的大XML文件报错求助

方案1：过滤无效字符后再解析节点 #

在获取节点的XML内容后，先清理掉XML规范不允许的字符或字符引用，再传入SimpleXMLElement解析。

实现代码 #

先定义清理函数，移除XML 1.0中禁止的字符：

function cleanInvalidXmlChars(string $xml): string {
    // XML 1.0允许的字符范围：#x9（制表符）、#xA（换行）、#xD（回车）、[#x20-#xD7FF]、[#xE000-#xFFFD]、[#x10000-#x10FFFF]
    return preg_replace('/[^\x09\x0A\x0D\x20-\xD7FF\xE000-\xFFFD\x10000-\x10FFFF]/u', '', $xml);
}

修改原代码的节点解析逻辑：

while($reader->read()) 
{
    if ($reader->nodeType == XMLReader::ELEMENT && $reader->name == 'AIUTO') 
    {
        try {
            $input = $reader->readOuterXML();
            // 先清理无效字符再解析
            $cleanedInput = cleanInvalidXmlChars($input);
            $nodeAiuto = new SimpleXMLElement($cleanedInput);
        }
        catch(Exception $e)
        {
            echo "Error Node AIUTO ".$e->getMessage().PHP_EOL;
            continue;
        }
        // 后续业务逻辑
    }
}

该方案逻辑直接，无需修改源文件，适用于多数规模的XML文件。

方案2：使用PHP流过滤器（适配超大文件） #

通过自定义流过滤器，在XMLReader读取文件的过程中自动过滤无效字符，无需手动处理每个节点，内存占用低，适合GB级超大文件。

实现代码 #

注册自定义流过滤器：

class InvalidXmlCharFilter extends php_user_filter {
    public function filter($in, $out, &$consumed, $closing): int {
        while ($bucket = stream_bucket_make_writeable($in)) {
            // 清理流中的无效字符
            $bucket->data = preg_replace('/[^\x09\x0A\x0D\x20-\xD7FF\xE000-\xFFFD\x10000-\x10FFFF]/u', '', $bucket->data);
            $consumed += $bucket->datalen;
            stream_bucket_append($out, $bucket);
        }
        return PSFS_PASS_ON;
    }
}

// 注册过滤器到PHP流系统
stream_filter_register('xml_cleaner', InvalidXmlCharFilter::class);

修改XMLReader的文件读取方式，通过过滤流加载文件：

// 打开带过滤器的文件流
$stream = fopen('php://filter/read=xml_cleaner/resource=' . $fileNamePath, 'r');
$reader = new XMLReader();

if (!$reader->open($stream)) {
    echo "Error opening file: $fileNamePath".PHP_EOL;
    fclose($stream);
    continue;
}
echo "Processing file: $file".PHP_EOL;

while($reader->read()) 
{
    if ($reader->nodeType == XMLReader::ELEMENT && $reader->name == 'AIUTO') 
    {
        try {
            $input = $reader->readOuterXML();
            $nodeAiuto = new SimpleXMLElement($input);
        }
        catch(Exception $e)
        {
            echo "Error Node AIUTO ".$e->getMessage().PHP_EOL;
            continue;
        }
        // 后续业务逻辑
    }
}

$reader->close();
fclose($stream);

该方案在流层面处理字符，无需加载整个文件到内存，性能更优。

方案3：调整libxml解析选项（谨慎使用） #

通过设置libxml的错误抑制选项，允许解析非严格XML，但可能忽略其他潜在格式问题，仅适用于无效字符较少且XML整体结构规范的场景。

实现代码 #

// 启用libxml内部错误处理，抑制外部警告
libxml_use_internal_errors(true);

$reader = new XMLReader();
// 设置解析选项：忽略空白、禁用实体扩展、抑制错误与警告
$reader->open($fileNamePath, null, LIBXML_NOBLANKS | LIBXML_NOENT | LIBXML_NOERROR | LIBXML_NOWARNING);

echo "Processing file: $file".PHP_EOL;

while($reader->read()) 
{
    if ($reader->nodeType == XMLReader::ELEMENT && $reader->name == 'AIUTO') 
    {
        try {
            $input = $reader->readOuterXML();
            $nodeAiuto = new SimpleXMLElement($input, LIBXML_NOERROR | LIBXML_NOWARNING);
        }
        catch(Exception $e)
        {
            echo "Error Node AIUTO ".$e->getMessage().PHP_EOL;
            // 清空错误栈避免累积
            libxml_clear_errors();
            continue;
        }
        // 后续业务逻辑
    }
}

$reader->close();
// 恢复默认错误处理机制
libxml_use_internal_errors(false);

内容的提问来源于stack exchange，提问作者Jenemj