當初趕專案進度時,我用 PHP 的 SimpleXML 解析 XML,結果發現它不支援 <![CDATA[ 標記,凡是包在這個標記內的值全都取不到。
上網找了一個 CDATA 轉換器,改一改之後把 CDATA 標記濾掉,暫時解決了問題。
這個做法的核心是逐字元掃描,用一個狀態變數記錄目前是否正處於 CDATA 區段。狀態鏈大致是:
out → < → <! → <![ → <![C → <![CD → <![CDA → <![CDAT → <![CDATA → in → ] → ]] → out
結構如下(為便于閱讀已精簡,原實作用完整 switch 分支逐一比對每個字元):
$state = 'out';
$new_xml = '';
$a = str_split($xml);
foreach ($a as $v) {
switch ($state) {
case 'out':
if ($v === '<') { $state = $v; } else { $new_xml .= $v; }
break;
// 依序比對 ! [ C D A T A [ ,任一不符即把已暫存的
// $state 與當前字元還原寫回 $new_xml,並退回 'out'
case 'in':
if ($v === ']') { $state = $v; } else { $cdata .= $v; }
break;
case ']':
if ($v === ']') { $state = ']]'; } else { $cdata .= $state . $v; $state = 'in'; }
break;
case ']]':
if ($v === '>') {
$new_xml .= htmlentities($cdata);
$state = 'out';
} else {
$cdata .= $state . $v;
$state = 'in';
}
break;
}
}
return $new_xml;
進入 in 狀態後,字元不斷累加進 $cdata;遇到 ]]> 收尾時,把收集到的內容做 HTML 實體編碼後寫回結果字串。這樣做的好處是 CDATA 內即使含有 <、>、"、& 等符號,也不會被誤認為標籤語法。
後來一直有 alert 跳出來,說 SimpleXML 解析失敗。追查發現是有筆資料長成 <![CDATA[domain[test]]]>,出現連續三個 ],上面的解析函式完全無法處理。
更麻煩的是這個問題幾乎無解——你無法保證下次不會出現四個、五個 ]。基於字元狀態判斷的 fragile 本質,遇到嵌套結尾就是死路。
所以我果斷把這段解析換成 DOM XML。DOM 的處理模型本身比較簡單,主要用到 DOMElement、DOMDocument、DOMNodeList、DOMNode 幾個元件。
其中 DOMNode 提供 nodeValue、nodeType、nodeName 等成員。典型流程是:
$doc = new DOMDocument();
$doc->loadXML($xmlString);
$list = $doc->getElementsByTagName('node'); // 得到 DOMNodeList
$node = $list->item(0); // 轉為 DOMNode
echo $node->nodeValue;
先把字串用 loadXML 轉成 DOMDocument 物件,再用 getElementsByTagName 取成 DOMNodeList,接著 ->item(0) 拿到 DOMNode,就能自由使用上述屬性了。
如果遇到像 <aa color='red'>test</aa> 這種帶屬性的標籤,改用 attribute 相關方法讀取即可。
結論很簡單:能用成熟解析器就别自己手寫字元狀態機,邊界條件的複雜度遠超想像。