需要php编码特殊字符，而不是html标记，以便包含在wordpress扩展rss文件中

我编写了一个脚本，将现有非wordpress站点的所有用户、博客和回复导出到wordpress扩展rss文件中，以便作为迁移的一部分导入到新的wordpress安装中。这一点很有效，直到它出现在一篇特定的博客文章中，并在一个法语或法语-加拿大短语中使用了一个特殊的标点符号

XML Parsing Error: not well-formed
Location: http://example.com/wordpress_xml/export-to-wp.php
Line Number 2000, Column 270:* ... <i>l'art du d\uffffplacement</i> ... 

---

我删掉了上面的全部错误。将显示类似于逗号的字符，而不是\uffff。在php代码中，我将博客的html放在一个字符串中。我需要在不编码任何html标记的情况下对这种类型的字符进行编码，在进行了大量搜索之后，我画了一个空白。有人做过类似的事情吗？

在发现问题是关于口音的之后，我在php.net上找到了以下函数，它们适用于我的案例，我生成的导出文件很好地导入到wordpress博客中

function xmlentities($string) {
    // Function from: http://php.net/manual/en/function.htmlentities.php
    // Posted by: snevi at im dot com dot ve 22-Jul-2008 01:10
    $string = preg_replace('/[^\x09\x0A\x0D\x20-\x7F]/e', '_privateXMLEntities("$0")', $string);
    return $string;
}

function _privateXMLEntities($num) {
    // Function from: http://php.net/manual/en/function.htmlentities.php
    // Posted by: snevi at im dot com dot ve 22-Jul-2008 01:10
        $chars = array(
    128 => '€',
    130 => '‚',
    131 => 'ƒ',
    132 => '„',
    133 => '…',
    134 => '†',
    135 => '‡',
    136 => 'ˆ',
    137 => '‰',
    138 => 'Š',
    139 => '‹',
    140 => 'Œ',
    142 => 'Ž',
    145 => '‘',
    146 => '’',
    147 => '“',
    148 => '”',
    149 => '•',
    150 => '–',
    151 => '—',
    152 => '˜',
    153 => '™',
    154 => 'š',
    155 => '›',
    156 => 'œ',
    158 => 'ž',
    159 => 'Ÿ');
    $num = ord($num);
    return (($num > 127 && $num < 160) ? $chars[$num] : "&#".$num.";" );
} 

---

对于拉丁语-1，您可以使用以下方法轻松转义字符：

$html = preg_replace('/[\x80-\xFF]/e', '"&#x".dechex(ord("$0")).";"', $html);

对于UTF-8，它更涉及：

$html = preg_replace_callback("/(?!\w)\p{L}/u", "xmlent", $html);
function xmlent($m) {
    $str = mb_convert_encoding( $m[0] , "UCS-2BE", "UTF-8");
    return "&#x" . bin2hex($str) . ";";
}

---

好吧，我进一步研究了一下，我想补充一点，这个角色应该是一个e，上面有口音。这在原始站点上呈现良好，但在导出为xml时会出现抖动。我想这意味着我真正需要的是编码重音字符，而不是html标记……你的内容有哪些字符编码？@mario，不确定，但我自己解决了这个问题，见下文。有趣的是，在我提出这个问题之前，我一直被卡住。这件事一直发生在我身上……等等，这看起来比我的解决方案还要好。我猜这会处理所有字符，来自任何支持unicode的字母表？确实如此。它不依赖于固定列表，但应该能够处理所有Unicode字符。使用第二个版本，并可能应用$html=utf8\u encode$html；我应该这样做，因为我计划为其他想从同一个cms迁移到wordpress的人发布这个导出代码，我不知道他们可能会使用什么字符编码。还不如让它尽可能普遍地有用。谢谢然后还要注意使用mb_detect_编码来避免双重转换，preg_replace可能会被非UTF8字符串混淆。