XML Parsing Error

用 PHP 程式來修正 RSS 裡的語法解析錯誤。

一些新聞訊息之類的網站提供 RSS (Resource description framework Site Summary, 簡易資訊聚合)，以 XML (Extensible Markup Language, 可延伸標記式語言) 語法的格式，供其它的網站連結新聞標題及圖片，顯示在其它網站的頁面中。

這時有二條路可以做：

1. 從源頭導正。連絡上該網站的程式設計師，加入一些字元檢查置換的程式，將特殊字元改掉的治本辦法。
2. 自己做好自己的事。加入一些字元檢查置換程式，將特殊字元改掉的治標辦法。
3. 熱血貢獻原始碼社群。改進動態網頁程式 (例如 PHP) 的程式，讓它遇到錯誤時能自動修正，不要將問題向後丟。

正確的做法當然是從源頭就導正的治本方法，但我們常常不知道上游會不會因為一些狀況，讓程式又送出特殊字元，造成自己負責的網站又出包。所以在自己的程式裡加上檢查置換程式。程式多了很多邊界檢查，雖然是治標，又會影響效能，但卻是一勞永逸的方法。

下表是會造成 XML 解析錯誤的一些常見字元 (HTML Character Entities)，與它該換成什麼字元。更多可以參考 Character Entity Reference Chart

< 要改成 &lt;
> 要改成 &gt;
& 要改成 &amp;
" 要改成 &quot;
' 要改成 &apos;
© 要改成 &copy;
® 要改成 &reg;

以 PHP 程式為例：

1. 先將網站的 RSS XML 讀進變數中。
2. 接著將 XML 裡面不是在 <tag> </tag> 裡面的 Header 去掉。
3. 再用 preg_replace 正規表示式 (Regular Expression) 將 <tag> </tag> 中間的字串改成 HTML 格式的 Character Entities (例如 < 變成 &lt; )
4. 再將 XML 的 Header 加回去。
5. 之後塞給 PHP 的 SimpleXML 函式，就可以順利處理了。

註: 程式碼裡的 fixtags 是 Thomasvdbulk 寫的。