可擴充標記語言(XML)幾乎是所有開發者都想放進工具箱的東西。它是 W3C 標準,開放、語言中立、API 中立、串流式、純文字、人類可讀,是把結構化資料帶上 Web 的一種方法。XML 是 SGML 的子集,本身並不是一套標記語言,而是讓作者能定義自己的標記語言,以便更精確地表達分層資料。
用 PHP 解析 XML 這個主題,在 PHP 手冊中已有一些基礎資訊,但多半僅止於函式清單。本文試著補上實作面的空白,方法是動手做一個真正會用的東西:為網站實作一套新聞系統。
要在 PHP 中使用 XML 解析函式,你的 PHP 必須編譯時包含 XML 支援。若沒有,就得重新編譯。PHP 的 XML 解析函式實際上是包裝在 expat 這個 SAX 解析器中,它只提供關於 XML 最基礎的函式。
另一種解析器是 DOM。DOM 更容易使用,微軟的 MSXML 元件就是典型例子——程式設計師透過操作樹狀結構的物件來處理節點與元素,可以隨意往上、往下、往前後移動。
expat(以及任何 SAX 解析器)的思路完全不同:你為不同類型的標記指定回呼函式(callback),解析器一邊讀文件,一遇到對應標記就呼叫你的函式,由你的函式處理該標記,然後繼續往下。這是一種事件驅動的模型。
兩者的取捨很直接:DOM 佔記憶體多但操作自由,適合需要隨機存取或修改整份文件的場合;SAX 記憶體佔用極小、速度快,但只能單向流式處理,適合「掃過一遍抽取資訊」這類任務。expat 屬於後者。
<?xml version="1.0"?>
<news>
<item>
<date>03/31/2000</date>
<title>Sooo Busy!</title>
<body>
I haven't posted anything here for a while, as I have been busy with work.
I just finished a neat little script that stores a complete record set in
a session variable after doing an SQL query. The neat part is that an XML
doc is stored in the session variable, so when paging through the results
the script displays 50 rows at a time from the XML doc instead of querying
the database again. It takes a big load off the database server.
</body>
</item>
<item>
<date>03/25/2000</date>
<title>NewsBoy Class</title>
<body>
Converted Newsboy to a PHP class to allow better abstraction.
</body>
</item>
<item>
<date>03/24/2000</date>
<title>NewsBoy is up!</title>
<body>
I have just finished NewsBoy v0.01. It's a simple news system for
web sites, written in PHP, that uses XML for the news data format,
allowing easy updating and portability between platforms.
</body>
</item>
</news>
用 expat 處理這份文件,程式碼大致長這樣:
<?php
$parser = xml_parser_create();
// 元素處理函式:開始標籤與結束標籤會分別觸發
xml_set_element_handler($parser, "startElement", "endElement");
// 文字內容處理函式
xml_set_character_data_handler($parser, "charData");
function startElement($parser, $name, $attrs) {
switch ($name) {
case "ITEM":
echo "<li>";
break;
case "TITLE":
echo "<b>";
break;
}
}
function endElement($parser, $name) {
switch ($name) {
case "ITEM":
echo "</li><br>";
break;
case "TITLE":
echo "</b>: ";
break;
}
}
function charData($parser, $data) {
echo trim($data);
}
// 逐塊讀檔並推送給解析器,避免一次載入整份文件
if (!($fp = fopen("mynews.xml", "r"))) {
die("無法開啟 XML 文件");
}
while ($chunk = fread($fp, 4096)) {
if (!xml_parse($parser, $chunk, feof($fp))) {
die(sprintf("XML 錯誤:%s 於第 %d 行",
xml_error_string(xml_error_code($parser)),
xml_get_current_line_number($parser)));
}
}
xml_parser_free($parser);
?>
幾個重點:
xml_set_element_handler 一次註冊兩個函式,分別對應起始與結束標籤。xml_set_character_data_handler 處理標籤之間的文字。注意它可能被分次呼叫——同一段文字若跨過緩衝區邊界,會被拆成好幾次傳入,因此別假設一次就會拿到完整字串。xml_parse 的最後一個參數是「是否為最後一塊資料」,用 feof($fp) 判斷即可。fread 而非整份 file_get_contents,是 SAX 模型的精髓所在:記憶體用量取決於區塊大小,與文件大小無關。對我來說,這個新聞系統用 expat 就夠了:資料格式固定、只需要讀取、每次請求都要跑。DOM 反而顯得笨重——為了解析一份小文件而建構整棵物件樹,是種浪費。
但如果你需要在解析過程中隨機跳轉、修改內容後再輸出,DOM(或 PHP 5 之後的 SimpleXML)會省下大量手工。判斷標準很簡單:單向掃過用 SAX,需要回頭用 DOM。
補充一點現況:PHP 5 之後,xml_parser_create 這組 expat 函式仍可使用,但多數專案已轉向更便利的 SimpleXML 或 DOMDocument。若你的程式碼要跑在現代 PHP 上,建議優先評估這兩者;expat 主要仍適合串流處理超大文件的情境。