feedparser: remove horrible hacks for feeds with broken encoding
This commit is contained in:
parent
cb0c81729d
commit
1a484ec3f5
|
@ -13,20 +13,6 @@ class FeedParser {
|
||||||
const FEED_RSS = 1;
|
const FEED_RSS = 1;
|
||||||
const FEED_ATOM = 2;
|
const FEED_ATOM = 2;
|
||||||
|
|
||||||
function normalize_encoding($data) {
|
|
||||||
if (preg_match('/^(<\?xml[\t\n\r ].*?encoding[\t\n\r ]*=[\t\n\r ]*["\'])(.+?)(["\'].*?\?>)/s', $data, $matches) === 1) {
|
|
||||||
|
|
||||||
$encoding = strtolower($matches[2]);
|
|
||||||
|
|
||||||
if (in_array($encoding, array_map('strtolower', mb_list_encodings())))
|
|
||||||
$data = mb_convert_encoding($data, 'UTF-8', $encoding);
|
|
||||||
|
|
||||||
$data = preg_replace('/^<\?xml[\t\n\r ].*?\?>/s', $matches[1] . "UTF-8" . $matches[3] , $data);
|
|
||||||
}
|
|
||||||
|
|
||||||
return $data;
|
|
||||||
}
|
|
||||||
|
|
||||||
function __construct($data) {
|
function __construct($data) {
|
||||||
libxml_use_internal_errors(true);
|
libxml_use_internal_errors(true);
|
||||||
libxml_clear_errors();
|
libxml_clear_errors();
|
||||||
|
@ -37,46 +23,6 @@ class FeedParser {
|
||||||
|
|
||||||
$error = libxml_get_last_error();
|
$error = libxml_get_last_error();
|
||||||
|
|
||||||
// libxml compiled without iconv?
|
|
||||||
if ($error && $error->code == 32) {
|
|
||||||
$data = $this->normalize_encoding($data);
|
|
||||||
|
|
||||||
if ($data) {
|
|
||||||
libxml_clear_errors();
|
|
||||||
|
|
||||||
$this->doc = new DOMDocument();
|
|
||||||
$this->doc->loadXML($data);
|
|
||||||
|
|
||||||
$error = libxml_get_last_error();
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
// some terrible invalid unicode entity?
|
|
||||||
if ($error) {
|
|
||||||
foreach (libxml_get_errors() as $err) {
|
|
||||||
if ($err->code == 9) {
|
|
||||||
// if the source feed is not in utf8, next conversion will fail
|
|
||||||
$data = $this->normalize_encoding($data);
|
|
||||||
|
|
||||||
// remove dangling bytes
|
|
||||||
$data = mb_convert_encoding($data, 'UTF-8', 'UTF-8');
|
|
||||||
|
|
||||||
// apparently not all UTF-8 characters are valid for XML
|
|
||||||
$data = preg_replace('/[^\x{0009}\x{000a}\x{000d}\x{0020}-\x{D7FF}\x{E000}-\x{FFFD}]+/u', ' ', $data);
|
|
||||||
|
|
||||||
if ($data) {
|
|
||||||
libxml_clear_errors();
|
|
||||||
|
|
||||||
$this->doc = new DOMDocument();
|
|
||||||
$this->doc->loadXML($data);
|
|
||||||
|
|
||||||
$error = libxml_get_last_error();
|
|
||||||
}
|
|
||||||
break;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
if ($error) {
|
if ($error) {
|
||||||
foreach (libxml_get_errors() as $error) {
|
foreach (libxml_get_errors() as $error) {
|
||||||
if ($error->level == LIBXML_ERR_FATAL) {
|
if ($error->level == LIBXML_ERR_FATAL) {
|
||||||
|
|
Loading…
Reference in New Issue