使用扩展ASCII解码HTML编码的字符

Question

我有一个带有特殊字符的XML，编码为＆amp; #xxx;在里面。只要我将这些字符输出到浏览器，那就可以了，因为它们是HTML-Encodings（有点）。 但我需要使用simplexml_load_string读取XML文件，这会导致某些字符无效，因为它们位于扩展的ASCII表中。

例如：

š转换为š - 但是当我尝试使用html_entity_decode时，我会得到一个空字符。

我尝试了从iconv到mb_decode_numericentity的几乎所有内容 - 没有任何效果。

如何转换那些＆amp; #xxx;真正的人物???

[编辑] 我发现此表http://www.ascii-code.com声称š是使用ISO-8859-1的扩展ASCII字符 我很困惑......

Answer 1

您显然正在处理打印时看起来几乎完全相同的两个不同字符：

• 'LATIN SMALL LETTER S WITH CARON' (U+0161)实际编码为š
• š对应'SINGLE CHARACTER INTRODUCER' (U+009A)

我发现我的字体或文本编辑器都没有正确处理第二个字体。所以你很可能因为这个原因而得到一个空白的角色。

第二个似乎是某种weird control character，其确切目的不符合我的理解：

  

后跟一个可打印的字符（0x20到0x7E）或   格式效应器（0x08到0x0D）。目的是提供一种手段   通过它来控制功能或图形字符   无论使用哪种图形或控制集，都可以使用   可以定义。以下字节将调用的定义   从未在国际标准中实施。不属于   第一版ISO / IEC 6429

值得注意的是character references in XML使用固定编码的数字代码（某些UCS变体）。如果XML文件的作者不遵循此约定，您将面临无效的XML（有效阻止其被XML库解析的东西）或包含损坏数据的有效XML（最多，将需要繁琐的后期处理）。