萬盛學電腦網

您现在的位置: 萬盛學電腦網 >> 程式設計 >  >> 腳本程式專題 >> JavaScript

PHP 解析 XML 中 CDATA 區塊:有限狀態機完整實現

背景:SimpleXML 的 CDATA 盲區

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。

狀態機設計

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'

核心實現代碼

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;
}

測試驗證

$xml = '<root><![CDATA[<script>alert(1)</script>]]><normal>text</normal></root>';
echo stripCDATA($xml);
// 輸出: <root><script>alert(1)</script><normal>text</normal></root>

現代更優替代方案

1. DOMDocument + LIBXML_NOCDATA(PHP 5.1+)

$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

2. XMLReader 流式解析(大檔案)

$reader = new XMLReader();
$reader->xml($xml);
while ($reader->read()) {
  if ($reader->nodeType === XMLReader::CDATA) {
    echo $reader->value; // 直接讀取 CDATA 內容
  }
}

總結

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。

copyright © 萬盛學電腦網 all rights reserved