[XML] DOM i SimpleXML, rss interii mnie załamuje Opcje

[taktu]

Pytanie: jak dobrać się do pliku rss który publikuje interia?

plik: http://kanaly.rss.interia.pl/turystyka.xml

problem: kodowanie pliku to UTF-8, ale znalazły się w nim słowackie znaki które w UTF już niestety nie są.

Do tej pory używałem:

[PHP] pobierz, plaintext 
$rssObject = simplexml_load_string( $address, 'SimpleXMLElement', LIBXML_NOCDATA );
[PHP] pobierz, plaintext 

Co dało błędy:

[HTML] pobierz, plaintext 
  Warning:  simplexml_load_string() [function.simplexml-load-string]: Entity: line 1: parser error : Start tag expected, '<' not found in 
  
  Warning:  simplexml_load_string() [function.simplexml-load-string]: http://kanaly.rss.interia.pl/turystyka.xml in 
  
  Warning:  simplexml_load_string() [function.simplexml-load-string]: ^ in 
[HTML] pobierz, plaintext 

Więc spróbowałem:

[PHP] pobierz, plaintext 
$xmlDoc = new DOMDocument();
$xmlDoc->load( $address );
[PHP] pobierz, plaintext 

No i błąd:

[HTML] pobierz, plaintext 
  Warning:  DOMDocument::load() [function.DOMDocument-load]: Input is not proper UTF-8, indicate encoding !  Bytes: 0xB9 0x69 0x6E 0x73 in http://kanaly.rss.interia.pl/turystyka.xml, line: 94 in
[HTML] pobierz, plaintext 

Błąd ominąłem w simplexml_load_string:

[PHP] pobierz, plaintext 
 
$file = file_get_contents( $address );
 
$content = mb_convert_encoding( $content, 'UTF-8', mb_detect_encoding($content, 'UTF-8, ISO-8859-1', true));
//lub
$content = iconv( mb_detect_encoding($content, 'UTF-8, ISO-8859-1', true), 'UTF-8', $content );
//efekt ten sam
 
if ($rssObject = simplexml_load_string( $content, 'SimpleXMLElement', LIBXML_NOCDATA ) ){
// ...
}
[PHP] pobierz, plaintext 

i otrzymałem

[HTML] pobierz, plaintext 
?šwiÄ?ta Bo??ego Narodzenia we W??oszech sÄ? obchodzone na wiele r?(IMG:style_emoticons/default/questionmark.gif) ?nych sposob??w
[HTML] pobierz, plaintext 

Czy ktoś ma większe doświadczenie w kodowaniach? Zależy mi na tym aby tekst był czytelny, słowackie znaki mogą być wykrzaczone. Wszelka pomoc mile widziana.

Ten post edytował taktu 26.12.2009, 19:30:21

[taktu]

Ciekawy pomysł ale niestety nie pomoże, znaki które wysypują plik są czesko/słowackie np. "Skoru?ina", "Skoru?inske vrchy", "?trbské Pleso". Poza tym jest to kanał turystyka więc równie dobrze autorzy mogą wkleić nazwy niemieckie, arabskie czy jakiekolwiek inne.

W internetowych czytnikach zauważyłem 2 podejścia:
- odczytanie całego pliku i wyświetlenie informacji w taki sposób, w jaki widać po odpaleniu pliku xml w przeglądarce,
- odczytywanie pliku po kawałku, wysypuje się kiedy ma odczytać informację z błędnym kodowaniem,

Zaczynam dochodzić do wniosku że jedynym sposobem jest napisanie własnej klasy do obsługi xml, alby to w końcu zadziałało. Choć tak naprawdę, to powinien być problem interii żeby trzymała się standardów.

edit:

Znalazłem klasę która odczytuje plik kawałkami, wysypuje się gdy trafi na nieodpowiednie kodowanie, ale to i tak lepsze niż nic (IMG:style_emoticons/default/smile.gif)

http://articles.sitepoint.com/article/php-...parsing-rss-1-0

Ten post edytował taktu 27.12.2009, 13:46:14