27 五月, 2005
libxml2: how to bypass the UTF-8 checking of the parser when you use xmlReader
libxml2库功能很强大，除了早先的SAX和DOM解析方式外，在2.5.0版本以后，推出XmlTextReader接口，即保留了DOM的简便易用，又结合SAX的灵活高效，所以这次解析RSS，我选择的就是Reader方式。
实际使用中，碰到一个问题，libxml2内部的UTF-8合法性检察过于严格，只要碰到有不符合UTF-8编码的任何字符，它就会报错(Input is not proper UTF-8, indicate encoding !)并中止当前解析。当然，这种错误是由xml文档自身引起的，即便你使用传统的DOM或者SAX，都不能避免。
但是，rss文件中，这种小的编码错误还是比较常见的，象utblog的atom 0.3中有一项summary，截取文章的前200个字符，因为截取程序不判断文章编码，所以会出现半个UTF-8码的情形，这时候，libxml2解析程序就会执行失败。
那么，该如何跳过libxml2内部的UTF-8 checking呢？一个办法是直接修改libxml2源码，并重新编译。但是使用这个库的应用很多，仅仅为了这一个需求，就作这样的内部改动，扩展性和可用性都不强。仔细看了internalparser.c中相应的代码，在检查之前，程序会判断ctxt->charset == XML_CHAR_ENCODING_UTF8，如果有办法使得parser context(ctxt)的charset不等于XML_CHAR_ENCODING_UTF8，岂不是就可以了？
但是Reader接口没有公开_xmlTextReader结构的细节，所以为了能够得到ctxt，首先必须自己创建一个完全相同的structure。这个不难，直接从xmlreader.c中copy就是了，这样就取得了Reader的内部结构。
接下来，就是修改reader->ctxt->charset，我设置的值是ctxt->charset=XML_CHAR_ENCODING_ASCII + 99; 注意，这里不能设置为XML_CHAR_ENCODING_NONE，否则parser还是会重新设置此值。
测试下来，成功，原先解析失败的atom文档，现在可以顺利地被解析了。
不清楚bypass this internal UTF-8 checking可能会带来什么样的影响，只能到时候再说了。
