PHP SimpleXML 無法直接讀取 <![CDATA[ ... ]]> 內容,導致數據丟失。常見變通是預處理移除 CDATA 標記,但簡單字串替換極易誤傷類似文本。本文實現一個有限狀態機(FSM)精確剝離 CDATA 區塊。
定義 10 個狀態追蹤 <![CDATA[ 完整匹配過程:
狀態流轉:
'out' → '<' → '<!' → '<![' → '<![C' → '<![CD' → '<![CDA' → '<![CDAT' → '<![CDATA' → 'in'
進入 'in' 狀態後,再監測 ]]> 結束標記:
'in' → ']' → ']]' → ']]>' → 'out'
function stripCDATA($xml) {
$state = 'out';
$newXml = '';
$len = strlen($xml);
for ($i = 0; $i < $len; $i++) {
$ch = $xml[$i];
switch ($state) {
case 'out':
if ($ch === '<') {
$state = '<';
} else {
$newXml .= $ch;
}
break;
case '<':
if ($ch === '!') {
$state = '<!';
} else {
$newXml .= '<' . $ch;
$state = 'out';
}
break;
case '<!':
if ($ch === '[') {
$state = '<![';
} else {
$newXml .= '<!' . $ch;
$state = 'out';
}
break;
case '<![':
if ($ch === 'C') $state = '<![C';
else { $newXml .= '<![' . $ch; $state = 'out'; }
break;
case '<![C':
if ($ch === 'D') $state = '<![CD';
else { $newXml .= '<![C' . $ch; $state = 'out'; }
break;
case '<![CD':
if ($ch === 'A') $state = '<![CDA';
else { $newXml .= '<![CD' . $ch; $state = 'out'; }
break;
case '<![CDA':
if ($ch === 'T') $state = '<![CDAT';
else { $newXml .= '<![CDA' . $ch; $state = 'out'; }
break;
case '<![CDAT':
if ($ch === 'A') $state = '<![CDATA';
else { $newXml .= '<![CDAT' . $ch; $state = 'out'; }
break;
case '<![CDATA':
// 進入 CDATA 內容區,不輸出標記
$state = 'in';
break;
case 'in':
if ($ch === ']') $state = ']';
// CDATA 內容直接輸出
else $newXml .= $ch;
break;
case ']':
if ($ch === ']') $state = ']]';
else { $newXml .= ']' . $ch; $state = 'in'; }
break;
case ']]':
if ($ch === '>') {
$state = 'out'; // 結束 CDATA,不輸出 ]]>
} else {
$newXml .= ']]' . $ch;
$state = 'in';
}
break;
}
}
return $newXml;
}
$xml = '<root><![CDATA[<script>alert(1)</script>]]><normal>text</normal></root>';
echo stripCDATA($xml);
// 輸出: <root><script>alert(1)</script><normal>text</normal></root>
$dom = new DOMDocument();
$dom->loadXML($xml, LIBXML_NOCDATA); // 自動將 CDATA 轉為文本節點
$simple = simplexml_import_dom($dom); // 可直接用 SimpleXML 訪問
$reader = new XMLReader();
$reader->xml($xml);
while ($reader->read()) {
if ($reader->nodeType === XMLReader::CDATA) {
echo $reader->value; // 直接讀取 CDATA 內容
}
}
有限狀態機是處理「帶上下文敏感標記」的經典模式,逐字符狀態流轉確保 100% 精準識別 CDATA 邊界。但現代 PHP 專案應優先使用 LIBXML_NOCDATA 或 XMLReader——標準庫往往比手工狀態機更健壯、更快、更易維護。理解 FSM 原理仍有價值:當標準庫無法滿足特殊需求(如流式處理非標準標記、嵌入式系統無完整 XML 解析器)時,它是終極武器。