PHP/Liblary/SPL/SimpleXML/mb_convert_encoding のバックアップソース(No.5) - PHP::PEAR

バックアップ一覧
差分を表示
現在との差分を表示
バックアップを表示
PHP/Liblary/SPL/SimpleXML/mb_convert_encoding へ行く。
- 1 (2006-06-21 12:47:07 (水))
- 2 (2006-06-21 15:02:05 (水))
- 3 (2006-06-22 14:50:31 (木))
- 4 (2006-11-21 13:26:48 (火))
- 5 (2007-02-18 00:40:21 (日))
- 6 (2007-03-23 16:56:20 (金))
- 7 (2007-03-23 20:19:41 (金))
#freeze
#setlinebreak(on)
* SJIS、EUC-JP、JISなどの日本語をSimpleXMLで使う方法 [#i74ad925]
#htmlinsert(googleAdsense.html)

**概要 [#t316cdb3]

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 [#r30cba2c]
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 [#u22a5a53]
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 [#x4bac058]
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 [#dbc07c4c]
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( $xmlStr ) );
 $xmlStr = mb_convert_encoding( $xmlStr, $encode, "SJIS-win,EUCJP-win,UTF-8,JIS,ASCII" );
 $xmlObjs = @simplexml_load_string( $xmlStr, "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。
-カピバラ -- [[みる]] &new{2006-11-21 13:26:48 (火)};

#comment