DIV CSS 佈局教程網

PHP 處理 CDATA:從自製解析器到改用 DOM
編輯:關於JavaScript     

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。

第一版方案:自己寫一個 CDATA 過濾器

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。

它為什麼撐不住

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。

第二版方案:改用 DOM

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

為什麼 DOM 是對的選擇

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。

XML學習教程| jQuery入門知識| AJAX入門| Dreamweaver教程| Fireworks入門知識| SEO技巧| SEO優化集錦|
Copyright © DIV+CSS佈局教程網 All Rights Reserved