SJIS、EUC-JP、JISなどの日本語をSimpleXMLで使う方法

概要

XMLと言えばUnicode(UTF-8)な訳だが、
データによってはそうでないものも良くある。
特に、日本語ってやつは面倒くさいことが多い。
日本語の文字コードで代表的なものは、
Shift-JIS, EUC-JP, UTF-8, ISO-2202-JP
一つの言語でこれだけコードがあるのは日本語・中国語・韓国語ぐらいだろう。

simple_xml関数を使用すると、
UTF-8以外の文字コードを使用した場合、
パーサエラーが出ることがある。
結構きまぐれなのか、
環境によって出たりでなかったりしているような印象だ。

multibyte関数との関係

マルチバイトと言えばマルチバイト関数mb_convert_encodingが思いつくが、
メインでは使用しない。
Do you PHP?
http://www.doyouphp.jp/php5/php5_simplexml.shtml
では、

マルチバイト文字を扱う場合、internal_encodingに変換して出力する

と書いてあるが、
これは正しくないと思われる。
実際はSimpleXML、もっと言うならLibxml2とmb_convert_encodingは、
なんの横つながりもない。

実際

では実際どうなのかというと、
Hawk's W3 Laboratory : XMLパーサ関数で日本語を扱う
http://www.hawk.34sp.com/stdpls/php/xml_parse.html
での記述。

内部エンコーディングはUTF-8
デフォルトでサポートしているエンコーディングは、
 UTF-8, UTF-16LE/BE, iso-8859-1, ASCII, HTML(エンティティ参照)
iconv が利用可能な環境なら iconvがサポートしているエンコーディングが全て使える

つまり、iconvが影響しているのだ。

iconv(i18n converter)とは、
文字コードの変換をする関数。
iconvはlibiconvを使用した関数。
マルチバイト関数はPHP独自実装。
PHP 3.0.x国際化対応版、PHP4.2.2国際化版をPHPに取り込んだもの。
やっていることはどちらも同じで、
文字コードの変換を行っている。

XMLのヘッダー部分に

<?xml version="1.0" encoding="EUC-JP" ?>

と記述してあるわけだが、
このencode属性を読みとって、
SimpleXMLは変換を行っている。
デフォルトでは

ISO-8859-1
UTF-8 
US-ASCII

の3つにしか対応していないので、
どんなに頑張っても文字化けする。
UTF-8に変換すればいいと思う人もいるかもしれないが、
その場合UTF-8に変換後、ヘッダー部分を

<?xml version="1.0" encoding="UTF-8" ?>

と書き換えなければならないので、
少し面倒だ。

そこで、iconvライブラリを使用すると、
ほぼすべての言語に対応できるというわけ。

対処法

日本語を使用するときは、
特別ソースコードを変更することはない。
phpinfoに

iconv

があればよい。
無い場合はのconfigureオプションに

--with-iconv

を追加しておく。

fladdict.net blog
rssに非UTF8の不正な文字列がある場合の対処法
http://fladdict.net/blog/2006/06/rssutf8.html
で、

PHP5のSimpleXMLが、rss内に不正な文字列があるとパースエラーを起こしてしまうのだけど、
ついに対処法を編み出した。
というか朝思いつきでやったら動いたwwwww
$xmlStr = mb_convert_encoding($xmlStr, "SJIS", "UTF-8");	//一度sjisにする
$xmlStr = mb_convert_encoding($xmlStr, "UTF-8", "SJIS");	//またutf8に戻す
mb_convert_encodingスゴス。

とあるが、
これはもう一つ進んだ話。
条件は例えばこう

・XMLヘッダーに
 <?xml version="1.0" encoding="UTF-8" ?>
 と記述してある
・属性、値の中に別の文字コード(EUC-JP, SJISなど)が入っている

と言った具合。
つまり一度すべての文字コードを統一してから、
SimpleXMLにパースさせると安全に文字変換が行える。

サンプル

UTF-8,EUC-JP,SJISのXMLファイルを読み込むことを想定して、
ソースはこんな感じだろうか。

// get xml
if( ! $xmlStr = file_get_contents( "http://hoge.com/hoge.xml" ) )
 throw new Exception("Not Open Url");
// parse xml
$encode = mb_detect_encoding( strip_tags( $rssStr ) );
$xmlStr = mb_convert_encoding( $xmlStr, $encode, 'auto' );
$xmlObjs = @simplexml_load_string( $rssStr, " SimpleXMLIterator" );
print_r( $xmlObjs );

1行目を読みとって、
encodingを取得する方がより安全かもしれない。


お名前:


トップ   新規 一覧 単語検索 最終更新   ヘルプ   最終更新のRSS
Third Project
証券会社ランキング比較