趕專案進度時用 PHP 的 SimpleXML 解析 XML,結果發現它拿不到 <![CDATA[ 標籤內的值——整段內容像是被吃掉了一樣。
從網上找了一個 CDATA 轉換器改寫,用狀態機逐字元掃描,把 CDATA 標記剝掉、內容留下:
// 狀態列:
// 'out' → 一般內容
// '<' → 遇到 <
// '<!' → 遇到 <!
// '<![' → 遇到 <![
// '<![C' → 持續比對 CDATA 關鍵字
// '<![CD'
// '<![CDAT'
// '<![CDATA'
// 'in' → 進入 CDATA 內部
// ']' → 可能是結束標記的開頭
// ']]'
//
// 是的,狀態就是用字串表示的
function stripCdata($xml) {
$state = 'out';
$a = str_split($xml);
$new_xml = '';
foreach ($a as $k => $v) {
switch ($state) {
case 'out':
if ('<' == $v) {
$state = $v; // 進入可能標籤的狀態
} else {
$new_xml .= $v;
}
break;
case '<':
if ('!' == $v) {
$state = $state . $v; // <!
} else {
$new_xml .= $state . $v; // 不是 CDATA,原樣吐回
$state = 'out';
}
break;
case '<!':
if ('[' == $v) {
$state = $state . $v;
} else {
$new_xml .= $state . $v;
$state = 'out';
}
break;
// <![C、<![CD、<![CDA、<![CDAT 這幾段邏輯完全相同:
// 對的話繼續拼狀態,錯的話把累積的狀態吐回並重置
case '<![C':
if ('D' == $v) { $state = $state . $v; }
else { $new_xml .= $state . $v; $state = 'out'; }
break;
case '<![CD':
if ('A' == $v) { $state = $state . $v; }
else { $new_xml .= $state . $v; $state = 'out'; }
break;
case '<![CDA':
if ('T' == $v) { $state = $state . $v; }
else { $new_xml .= $state . $v; $state = 'out'; }
break;
case '<![CDAT':
if ('A' == $v) { $state = $state . $v; }
else { $new_xml .= $state . $v; $state = 'out'; }
break;
case '<![CDATA':
if ('[' == $v) {
$cdata = ''; // 準備收集內容
$state = 'in';
} else {
$new_xml .= $state . $v;
$state = 'out';
}
break;
case 'in':
if (']' == $v) {
$state = $v; // 可能是結束標記
} else {
$cdata .= $v;
}
break;
case ']':
if (']' == $v) {
$state = $state . $v; // 兩個 ],繼續確認
} else {
$cdata .= $state . $v; // 誤判,還原
$state = 'in';
}
break;
case ']]':
if ('>' == $v) {
// 抵達 ]]>,把內容轉義後放回
$new_xml .= htmlentities($cdata);
$state = 'out';
} else {
$cdata .= $state . $v;
$state = 'in';
}
break;
}
}
return $new_xml;
}
思路是標準的狀態機:逐字比對 <![CDATA[ 每個字元,中途不符就原路吐回;進入 in 之後開始收集內容,直到遇到 ]]> 收尾,期間把內容用 htmlentities() 轉義後放回文件,這樣 SimpleXML 就能正常讀到。
後來開始不斷出現 alert 報錯,說 SimpleXML 解析失敗。追查發現是某些 XML 的資料長得像這樣:
<![CDATA[domain[test]]]>
內容裡出現了連續三個 ]。狀態機在 ]] 這個狀態下遇到第三個 ] 時無法判斷——它到底是內容的一部分,還是結束標記的起點?而這個問題幾乎無法妥善修正:你永遠不知道下一筆資料會不會冒出四個、五個連續的 ]。基於字元層級的猜測,本質上就是在跟語法規則打賭。
於是決定把這段解析換成 DOM。PHP 的 DOM 擴充本身就設計得相當完整,常用的元件包括:
DOMDocument:代表整份文件,loadXML() 從字串載入。
DOMNodeList:節點清單,由 getElementsByTagName() 取得。
DOMNode:單一節點,具有 nodeValue、nodeType、nodeName 等屬性。
DOMElement:元素節點,可透過 getAttribute() 讀取屬性。
典型流程是四步轉換:
$doc = new DOMDocument();
$doc->loadXML($xmlString); // 1. 字串 → DOMDocument
$list = $doc->getElementsByTagName('item'); // 2. → DOMNodeList
$node = $list->item(0); // 3. → DOMNode
echo $node->nodeValue; // 4. 取值
至於像 <aa color='red'>test</aa> 這種帶屬性的標籤,改用 DOMElement 的屬性方法取得:
$elements = $doc->getElementsByTagName('aa');
$el = $elements->item(0);
$val = $el->getAttribute('color'); // red
$txt = $el->nodeValue; // test
差別在於:自製狀態機在猜測字元,DOM 解析器在理解語法。CDATA 區段在 XML 規範中的定義是「直到第一個 ]]> 為止」,而 domain[test]] 這種內容嚴格說來並不合法——真正的問題出在產生這份 XML 的那一端。DOM 解析器遇到不合法的文件會明確報錯,讓你知道該去修資料來源;而字元掃描器只會默默給出錯誤結果,把問題往下游推。
所以這次替換不只是換了工具,而是把「靠猜測硬撐」改成「依規範驗證」。當你發現自己需要為某個格式寫逐字元解析器時,先問一句:這個格式有沒有現成的標準解析器?XML、JSON、CSV 都有,而它們處理邊界情況的能力,遠非臨時湊出的程式碼可比。
如果確實需要更輕量的方案,SimpleXML 本身其實是支援 CDATA 的——只要在讀取時告訴它別合併文字節點,或者用 libxml_disable_entity_loader() 相關設定調整行為。真要保留 SimpleXML 風格的簡潔寫法,值得先查一下它的參數選項,而不是急著自己刻一個解析器。