PHP-读取和修复大型无效XML文件

我必须读取一些相当繁重的XML文件（200 MB到1 GB之间），其中一些文件是无效的。让我举一个小例子：

<?xml version="1.0" encoding="UTF-8"?>
<rss xmlns:g="http://base.google.com/ns/1.0" version="2.0">
  <item>
    <title>Some article</title>
    <g:material><ul><li>50 % Coton</li><li>50% Lyocell</li></g:material>
  </item>
</rss>

一些文章
50%Coton
50%Lyocell

显然，在

g:material

标签中缺少

结束标签。此外，开发此提要的人应该将

g:material

内容包含在

CDATA

中，而他们没有。。。基本上，这就是我想要做的：添加这个缺少的

CDATA

部分

我尝试使用SAX解析器读取此文件，但在读取

标记时失败，因为

标记丢失。我尝试过XMLReader，但基本上遇到了相同的问题。 我可能可以使用DomDocument:：loadHtml做一些事情，但是这个文件的大小与DOM方法并不完全兼容。 你知道我如何简单地修复这个提要，而不必为DomDocument的工作购买大量RAM吗？

---

谢谢。

如果文件太大而无法使用扩展名，您可以使用使文件可解析

$ tidy -output my.clean.xml my.xml

之后，XML文件格式良好，因此可以使用XMLReader解析它们。由于tidy添加了“缺少的”（X）HTML部分，因此原始文档的代码位于元素中。

（从中复制）

概括为两个步骤：

使用Tidy将“免费HTML”转换为“良好的XHTML”

使用XML解析器通过SAXAPI将XHTML解析为XML

---

使用first（！）将“免费HTML”转换为XHTML（或者当您不能信任“假定的XHTML”时）。见方法。它需要更多的时间，但运行大文件（！）。。。如果太大的话

另一个选项（用于处理大文件）是在选中或转换为XHTML后缓存XHTML文件。参见Tidy的方法

使用“可信的XHTML”，使用SAX。。。如何在PHP中使用SAX

使用解析XML，在PHP中由实现（参见LibXML2 at），其接口是，接近SAX标准API

使用“LibXML2的SAX”和另一个接口（而不是传统的SAX接口）的另一种方法是使用。看

---

---

是的，PHP手册中没有表达术语“SAX”或“SAXAPI”（！）。看。

是的，他们应该这么做。如果您知道问题所在，您可以尝试使用regexp查找/替换所有文件。但这本来就不应该是你关心的问题。嘿，Rémi，在你将其推送到xml加载器之前，你不能读取字符串，从而添加CDATA部分吗？是的，这就是我一直在思考的问题，也是我现在正在做的事情，但我仍然希望有比逐字读取XML或用regexp查找/替换更好的方法：）请参阅类似（最古老的）问题：ops，您可以对大文件使用整洁的扩展名（请参阅下面的答案）。您可以使用PHP作为命令，通过终端将HTML文件转换为XHTML。