XML и недопустимые символы. Нид хелп!

Ваяю фид для наполнения блога контентом.
Столкнулся с тем, что некоторые символы (разнообразные кавычки, тире, апострофы и пр) в XML должны быть перекодированны в ASCII, иначе взникает ошибка.
Есть ли где полный перечень таких символов?
Хелпаните плиз

Для того чтобы засунуть всё это дело в XML есть CDATA.
Юзать так.

Код:

<?xml......?> <root> <tag><![CDATA[тут пишешь что угодно какие угодно символы]]></tag> </root>

Потом если парcишь этот документ с помощью DOM он это всё понимает.

Код:

$title_edit = eregi_replace ("&","&", $rss_array[$i]['site_title']);     $title_edit = eregi_replace ("'","'", $title_edit);     $title_edit = eregi_replace ("’","'", $title_edit);     $title_edit = eregi_replace ("\"",""", $title_edit);     $title_edit = eregi_replace ("-"," ", $title_edit);

Sterx
Да это то понятно.
Только вот есть еще несколько видов кавычек, апострофов, тире, скобок и прочего, на чем происходит спотыкач.

Я думаю, надо пропускать только буквы алфавита, цифры и некоторые знаки препинания, а всё остальное в ASCII нахуй.
Просто у меня исходные тексты по несколько мегабайт, в них нахуеверчено всякого, чего и не ожидаешь увидеть.
Наверное так и сделаю.

мне этого хватает
остальные настолько редко бывают, что ими можно пренебречь

htmlspecialchars спасет отца русской демократии

Топикстартер хотел вот этого: http://www.pst.co.jp/Powersoft/html/htmlChar.htm

Стандартно требуется поддержка кодирования лишь <>'&"

Но я бы посоветовал не заморачивать процессор, а кодировать все в юникоде, ведь понастоящему нужно бояться только двух символов, а именно < и & (самому сейчас нужно кодировать кучу исходников в XML, пока склоняюсь к этому варианту ;))

Sterx писал:

мне этого хватает остальные настолько редко бывают, что ими можно пренебречь

В XML я вообще считаю нельзя принебрегать правильностью состаления. Есть строгие спецификации по XML, и если документ не валидный или не well-formed я сразу посылаю нах такие доки. А если сам делаю то смотрю чтобы было всё ок.
Если уж пренебрегаешь то потом могут быть больше проблемы чеем вставить CDATA или отказаться обрабатывать тот или иной документ.

PS. Тем более cdata полностью решает эту проблему если уже сам составляешь документ.

Xen писал:

Топикстартер хотел вот этого: http://www.pst.co.jp/Powersoft/html/htmlChar.htm Стандартно требуется поддержка кодирования лишь <>'&" Но я бы посоветовал не заморачивать процессор, а кодировать все в юникоде, ведь понастоящему нужно бояться только двух символов, а именно < и & (самому сейчас нужно кодировать кучу исходников в XML, пока склоняюсь к этому варианту ;))

Зачем вот изобретать такую ерунду, изза таких потом у других проблемы возникают таких же как сами которые потом тоже ищут решение этой же проблемы.

не знаю, может я невнятно выразился.
Мне не надо парсить XML - его уже парсит покупной скрипт.
Скрипт закрыт зендом, так что поменять там я ни чего не могу.
Мне нужно скормить ему валидный XML, который мне надо сгенерить из текста, сграбленного отовсюду.

Например в тексте присутствуют вот такие кавычки: “ „ или вот такие: » или вот такие: “” . Все они вызывают ошибку и вместо символов на паге выводятся пустые квадраты. Гугл, хавая фид, вместо символов выдает знаки вопроса: ?word?
Помимо кавычек в тексте присутствует еще куча самого разнообразного говна, который руками можно вычистить только частично, потому как заебешься.

Вот и хочу пресечь на корню.

Во первых сдата допустим не везде (по спецификации как минимум в титле насколько я помню запрещается его использование).

Во вторых набор символов требующих перекодировку зависит от чарсета. Если у тебя UTF-8 - любая русская буква вызовет ошибку.

В третьих вместо htmlspecialchars в таких случаях надо использовать htmlentities($str, ENT_QUOTES);

з.ы. Vad, это одна из самых трудных задач инета, простых решений нет. Я в свое время настолько с этим затрахался что делал preg_replace('/[\x80-\xfd]+/is' для того чтоб просто убрать невалидные символы в UTF-8.

2 Vad:
Я тебе сказал что надо использовать чтобы не париться и не поиметь проблем...
2 bog:
"Во первых сдата допустим не везде (по спецификации как минимум в титле насколько я помню запрещается его использование). "
Во-первых "Кто здесь?" . О каком ты титле говоришь? тут разговор про XML документ. Тут может быть любые тэги и не быть никакого title.

"Во вторых набор символов требующих перекодировку зависит от чарсета. Если у тебя UTF-8 - любая русская буква вызовет ошибку." - XML документ надо создавть не методом формирования троки и указывать кодировку вставив туда название кодировки, от этого колировка текста и соответственно документа не изменится. (не так $xml="<root><el>jhsdkjf</el></root>") Например в php надо создавать с помощью DOMDocument или другими какими то средствами, там указывается коlировка при создании и всё ок на выходе.

htmlspecialchars вообще лучше не использовать.

И с каких это пор одна из самых сложных задач интернета, это самая простая задача инета помоему .

ЗЫ. Текст заключённый в ЦДАТА воспринимается как обычная строка. Теже XSLT парсеры его обрабатывают на ура. Т.е. ты можешь в один тег засунуть с ЦДАТА полный HTML код страницы без всяких преобразований спецсимволов и т.д. Все нормальные парсеры это воспримут и обработают.
ЗЫЗЫ. Топикпастер, можешь стукнуть в асю если нужна помошь, помогу.