xml code:

---

<?xml version="1.0" encoding="ISO-8859-1"?>
<sonderzeichen_test>
	<dummy type="string">Età dei bambini</dummy>
	<test type="string">località</test>
	<deutsch type="string">Blöde Umlaute</deutsch>
</sonderzeichen_test>

---

php code:

---

<?php

/*
 *   xml_file_test
 *
 */

class xml_file_test
{
	// Konstruktor

	function __construct($filename)
	{
		$xml_parser = xml_parser_create("ISO-8859-1");

		//  Alle Event-Funktionen befinden sich innerhalb dieses Objekts
		xml_set_object($xml_parser,$this);

		xml_parser_set_option($xml_parser, XML_OPTION_CASE_FOLDING, true);
		xml_set_element_handler($xml_parser, "startElement", "endElement");
		xml_set_character_data_handler($xml_parser, "characterData");

		xml_parser_set_option($xml_parser, XML_OPTION_TARGET_ENCODING,"ISO-8859-1");
		//xml_parser_set_option($xml_parser, XML_OPTION_TARGET_ENCODING, "UTF-8");
		
		if (!($fp = fopen($filename, "rb")))
		{
    		die("could not open XML input $filename");
		}

		while ($data = fread($fp, 4096))
		{
    		if (!xml_parse($xml_parser, $data, feof($fp)))
    		{
        		die(sprintf("XML error: %s at line %d",
            	        xml_error_string(xml_get_error_code($xml_parser)),
                	    xml_get_current_line_number($xml_parser)));
    		}
		}

		xml_parser_free($xml_parser);
	}

	// Methoden

	// Behandelt Start-Tag
	function startElement($parser, $name, $attribs)
	{
    	echo "xml_file_test::startElement()n";
		echo "name = $namen";

    	// Attribute dieses Elements durchgehen
    	if (count($attribs))
    	{
        	foreach ($attribs as $k => $v)
        	{
            	echo "t$k = $vn";
        	}
    	}

	}

	// Behandelt End-Tag
	function endElement($parser, $name)
	{
		echo "xml_file_test::endElement()n";  
	}

	// Behandelt Daten innerhalb eines Tags
	function characterData($parser, $data)
	{
		echo "xml_file_test::characterData()n";
    	echo "data = $datan";
	}

}
?>

---

php code:

---

<?php

require_once("xml_file_test.inc.php");

$filename = "xml_testfile.xml";

$x = new xml_file_test($filename);

?>

---

code:

---

xml_file_test::startElement()
name = SONDERZEICHEN_TEST
xml_file_test::characterData()
data =

xml_file_test::startElement()
name = DUMMY
        TYPE = string
xml_file_test::characterData()
data = Et
xml_file_test::characterData()
data = à dei bambini
xml_file_test::endElement()
xml_file_test::characterData()
data =

xml_file_test::startElement()
name = TEST
        TYPE = string
xml_file_test::characterData()
data = localit
xml_file_test::characterData()
data = à 
xml_file_test::endElement()
xml_file_test::characterData()
data =

xml_file_test::startElement()
name = DEUTSCH
        TYPE = string
xml_file_test::characterData()
data = Bl
xml_file_test::characterData()
data = öde Umlaute
xml_file_test::endElement()
xml_file_test::characterData()
data =

xml_file_test::endElement()

---

Bin etwas ratlos

--
http://www.norman-interactive.com

[ - Antworten - Zitieren - Direktlink - ]

Zitat:

---

Original von Mad_Dog:
Die Strings, die zwischen den Tags stehen, also z.b. "Blöde Umlaute" werden fälschlicherweise zerhackt - und zwar genau dort wo Umlaute oder Akzente auftreten. So wird z.B. statt "Blöde Umlaute" "Bl" und "öde Umlaute" ausgegeben.

Woran liegt das?

---

Das war jetzt fast ein wenig zuviel Information für diese Frage...

Ich hatte mal das gleiche Problem mit Expat. Falls dein Parser darauf basiert ist's klar woher es kommt, und andernfalls kann er ja immer noch gleich implementiert sein:

Es scheint eine Eigenschaft von Expat zu sein, Entities einzeln zurückzugeben. Ah, ich seh' grade, bei dir ist es wieder anders als beim Expat: Ich bekam damals drei Teile zurück: "Bl", "ö", "de Umlaute".

Jedenfalls scheint der Parser bei Umlauten etwas genauer hinschauen zu müssen und trennt den String deshalb an dieser Stelle. Immerhin sind das die Dinge, die er je nach eingestellter Zeichencodierung anders konvertieren muß. Und Umlaute etc. kannst du ja auch als Entity "ö" und so schreiben.

Der einzige Ausweg den ich gefunden habe war, alles zusammenzusetzen was mir der Parser zwischen startElement und endElement liefert, auf das endElement zu "horchen" und den Ergebnisstring erst mit dem endElement abzuschließen.

In deinem Beispiel scheinst du lokale Zeichen aus verschiedenen Sprachen zu benutzen? Wäre es da nicht besser, von "ISO-8859-1" auf "UTF-8" umzustellen?
--
Signaturen mit mehr als zwei Zeilen gehen mir auf den Wecker

[ - Antworten - Zitieren - Direktlink - ]

[ - Antworten - Zitieren - Direktlink - ]

@Mad_Dog:
Ich mach nur selten was mit php, allerdings scheint der SAX-Parser ja sprachunabhängig einige Gemeinsamkeiten zu haben. Da würde ich mal darauf tippen, dass es schlicht keine Garantie gibt, dass zusammenhängender Text in genau einem characterData()-Aufruf resultiert.

Das Aufsplitten kann Dir also nicht nur, wie hier, aufgrund interner Behandlung der Zeichen (hängt vermutlich mit dem verwendeten regulären Ausdruck zusammen) passieren, sondern auch dann, wenn der Text zu groß für den verwendeten Puffer wird.

Du musst also damit leben, dass es mehr als einen Aufruf geben kann, und den Handler so schreiben, dass er damit klarkommt.

Viel Spaß

--
Good coders do not comment. What was hard to write should be hard to read too.

[ - Antworten - Zitieren - Direktlink - ]

Zitat:

---

Original von akl:
Ich würde einfach mal behaupten, das Problem liegt in "echo" - denn im Gegensatz zum XML-Parser, der anscheinend richtig konfiguriert ist, weiss "echo" vermutlich nichts von ISO-8859-1.

---

[ - Antworten - Zitieren - Direktlink - ]

Zitat:

---

Original von Holger:

Zitat:

---

Original von akl:
Ich würde einfach mal behaupten, das Problem liegt in "echo" - denn im Gegensatz zum XML-Parser, der anscheinend richtig konfiguriert ist, weiss "echo" vermutlich nichts von ISO-8859-1.

---

Ausgeschlossen. Echo würde nicht mehrmals "xml_file_test::characterData()" ausgeben. Das weist schon auf mehrere Funktionsaufrufe hin.

---

[ - Antworten - Zitieren - Direktlink - ]

Zitat:

---

Original von Mad_Dog:
Ich frage mich allerdings, ob das so sein soll, daß "Blöde Umlaute" als mehrere Textelemente gewertet wird, oder ob das ein Bug des SAX-Parsers ist, denn dieses Verhalten tritt unabhängig von der verwendeten Zeichencodierung auf.

---

[ - Antworten - Zitieren - Direktlink - ]

[ - Antworten - Zitieren - Direktlink - ]

Zitat:

---

Original von Mad_Dog:
Ich bin davon ausgegangen, daß "Blöde Umlaute" eben ein Textelement (oder in DOM gesprochen: Ein Textknoten) sein müsste und habe wie blöde nach einem Fehler (Zeichencodierung usw.) gesucht.

---

Zitat:

---

Als Workarround habe ich dann in etwa das gemacht, was DrNop vorgeschlagen hat: ...

---

Zitat:

---

Ich frage mich allerdings, ob das so sein soll, daß "Blöde Umlaute" als mehrere Textelemente gewertet wird, oder ob das ein Bug des SAX-Parsers ist, denn dieses Verhalten tritt unabhängig von der verwendeten Zeichencodierung auf.

---

[ - Antworten - Zitieren - Direktlink - ]

[ - Antworten - Zitieren - Direktlink - ]

[ - Antworten - Zitieren - Direktlink - ]