如何将此 UTF-8 转义字符串从亚马逊 MWS 响应转换为正确的 UTF-8 - How to convert this UTF-8 escaped string from an Amazon MWS response to proper UTF-8?

在XML Amazon MWS ListOrders响应的一部分中，我们在一个元素中得到了一个转义的UTF-8字符：

<Address><Name>Ram&#xC3;&#xAD;rez Jones</Name></Address>

这个名字应该是拉米雷斯。变音符号字符í是 UTF-8 字符U+00ED（文字'xc3'xad;请参阅此图表以供参考）。

然而，PHP 的 SimpleXML 函数破坏了这个字符串（你可以看到，因为我只是粘贴了），将其转换为

拉姆雷斯·琼斯

进入这里的编辑器框（显然 stackoverflow 的 ASP.NET 基础与 PHP 做同样的事情）。

现在，当这个被破坏的字符串被保存到，然后从MongoDB中提取出来时，它就变成了

拉姆雷兹·琼斯

出于某种原因，在那里插入了一个连字符，尽管信不信由你，如果您选择上面的粗体文本，然后将其粘贴回 StackOverflow 编辑器窗口中，它将简单地显示为RamÃrez（连字符神秘地消失了，至少在 OS X 10.8.5 上）！

下面是一些示例代码来显示此问题：

$xml = "<Address><Name>Ram&#xC3;&#xAD;rez Jones</Name></Address>";
$elem = new SimpleXMLAddressent($xml);
$bad_string = $elem->Name;
echo mb_detect_encoding($bad_string)."'n";
echo $elem->Name->__toString()."'n";
echo iconv('UTF-8', 'ASCII//TRANSLIT//IGNORE', $elem->Name->__toString());

下面是上面示例代码的输出，在onlinephpfunction.com的沙箱上运行：

UTF-8
拉姆雷斯·琼斯
拉玛-雷兹·琼斯

我们如何避免这个问题？这真的把事情搞砸了。

编辑：

让我补充一点，虽然XML中的名字应该是Ramírez Jones，但我需要将其音译为Ramirez Jones（去掉í的变音标记）。

修订后的最终解决方案：

它与下面的正确答案不同，但这是我找到的最优雅的解决方案。只需将示例的最后一行替换为以下内容：

echo iconv('UTF-8','ASCII//TRANSLIT', html_entity_decode($xml));

这是有效的"Ã"因为它们是 HTML 实体。

替代解决方案

奇怪的是，这也有效：

$xml = '<?xml version="1.0"?><Address><Name>Ram&#xC3;&#xAD;rez Jones</Name></Address>';
$xml= str_replace('<?xml version="1.0"?>', '<?xml version="1.0" encoding="ISO-8859-1"?>' , $xml);
$domdoc = new DOMDocument();
$domdoc->loadXML($xml);
$xml = iconv('UTF-8','ASCII//TRANSLIT',$domdoc->saveXML());
$elem = new SimpleXMLElement($xml);
echo $elem->Name;

它不起作用，因为它被编码了两次。字符í具有代码U+00ED，应将其编码为 &#ED; 的 XML

。

您可以使用以下任一方法修复其编码：

$name = iconv('UTF-8', 'ISO-8859-1//TRANSLIT//IGNORE', $elem->Name->__toString());

或

$name = mb_convert_encoding($elem->Name->__toString(), 'ISO-8859-1', 'UTF-8');

更新：

上面建议的两种方法都可以修复编码（它们实际上将字符串的编码从 UTF-8 转换为 ISO-8859-1，顺便解决了手头的问题）。

@Hazzit提供的解决方案也有效。

这两种解决方案（以及您的代码）的真正挑战是检测接收到的数据是否以错误的方式编码，并仅在该情况下应用这些修复程序，以便在 Amazon 修复编码问题时让代码正常工作。我希望他们会这样做。

以最小的信息损失去除重音

修复编码后，为了将重音字母替换为 ASCII 子集中的类似字母，您必须使用 iconv()（因为只有 iconv() 可以提供帮助），就像您在示例代码中所做的那样。

$nameAscii = iconv('UTF-8', 'ASCII//TRANSLIT//IGNORE', $name);

第二个参数的解释可以在iconv()的文档页面中找到;也请阅读用户评论。

SimpleXML 不会解码十六进制实体并将结果理解为 UTF-8，因为这不是 XML 或 UTF-8 实际工作的方式。但是，如果亚马逊产生这样的废话，您需要在将其解析为XML之前更正该错误。

function decode_hexentities($xml) {
  return
    preg_replace_callback(
      '~&#x([0-9a-fA-F]+);~i', 
      function ($matches) { return chr(hexdec($matches[1])); }, 
      $xml
    );
}
$xml = "<Address><Name>Ram&#xC3;&#xAD;rez Jones</Name></Address>";
$xml = decode_hexentities($xml);
$elem = new SimpleXMLElement($xml);
$bad_string = $elem->Name;
echo mb_detect_encoding($bad_string)."'n";
echo $elem->Name->__toString()."'n";
echo iconv('UTF-8', 'ASCII//TRANSLIT', $elem->Name->__toString());

结果在：

UTF-8
Ramírez Jones
Ramirez Jones