SimpleXML，请不要展开实体

Question

我正在使用 SimpleXML 尝试解析带有声明的大型 XML 文件<!ENTITY。不幸的是，SimpleXML 似乎太急于继续扩展这些实体，而我宁愿它没有，因为实体符号很短，易于解析，并且理论上不会在较新版本的文件中改变，而扩展的实体是可能会改变的英语句子。有没有办法告诉 SimpleXML 取消它？

我想过<!ENTITY在将文件内容传递给 XML 解析器之前“预解析”XML 文件以去除这些位，但这感觉很糟糕，而且由于它是一个巨大的文件，我宁愿对它做一点点摆弄尽可能。

（请原谅上述任何错误的术语；我已经有一段时间没有完成这种级别的 XML 工作了。）

Answer 1

看起来似乎是这样，但事实并非如此（除非您指定了标志，我猜您不会在代码中显示您所做的事情）。只是 SimpleXML 只能在您使用该->asXML()方法而不是通过 to-string-implementation返回给您。

让我们做一些例子来演示它是如何工作的。我从 DTD 中选择了这个简单的实体：

<!ENTITY n "noun (common) (futsuumeishi)">

所以让我们选择第一个<pos>元素，因为它包含一个&n;实体：

$xml = simplexml_load_file($file);
$pos = $xml->entry->sense->pos;

该变量$pos现在是<pos>元素节点的 SimpleXMLElement 。让我们输出它看看解析器对&n;实体做了什么：

echo  "SimpleXML value (string): ", $pos         , "\n"
    , "SimpleXML value (XML)   : ", $pos->asXML(), "\n";

输出是：

<!ENTITY n "noun (common) (futsuumeishi)">

如本例所示，&n;仍然存在 ( <pos>&n;</pos>)，只是当您将其作为字符串值 ( noun (common) (futsuumeishi))访问时，它将被扩展。

顺便说一下，这完全没问题，XML 规范在这里说，是否扩展这些实体取决于解析器。对于 SimpleXML 的设计目的，在读取字符串值时，这完全可以扩展。

您甚至可以通过指定LIBXML_NOENT选项来控制此行为：

$xml = simplexml_load_file($file, NULL, LIBXML_NOENT);

这实际上会执行您当时假设的操作，现在扩展实体，XML 输出不再包含实体：

$xml = simplexml_load_file($file);
$pos = $xml->entry->sense->pos;

所以现在双问号如何做你正在寻找的东西？好吧，实际上具有实体模型的 PHP 中的 XML 解析器是 DOMDocument。它是 SimpleXML 的姊妹库，内部共享相同的内存对象。这是不带和带这两种模式的同一对象（更准确地说：它唯一的子节点）的输出LIBXML_NOENT：

echo  "SimpleXML value (string): ", $pos         , "\n"
    , "SimpleXML value (XML)   : ", $pos->asXML(), "\n";

这是由以下代码创建的，它应该使给定输出后面的内容更加可见：

$node   = dom_import_simplexml($pos);
$doc    = $node->ownerDocument;
$entity = $node->firstChild;

echo  "DOMDocument Class       : ", get_class($entity)    , "\n"
    , "DOMDocument value(XML)  : ", $doc->saveXML($entity), "\n"
    , "DOMDocument ->nodeName  : ", $entity->nodeName     , "\n";

正如所写的那样，它是一个姊妹库，dom_import_simplexml变成$pos了一个DOMElement，我们需要遍历它的子库，我们知道这是有问题的实体引用。

所以现在这开始变得非常有意义：因为 SimpleXML 不能表示实体引用，它只能提供扩展的字符串值或包含实体的 XML。

否则有什么方法可以改变字符串的值

<pos>&n;</pos>
<pos><![CDATA[&n;]]></pos>

? 所以你所要求的只是有限的意义。然而，这并不意味着我们无法处理它，因此可以通过扩展 SimpleXML 来欺骗它来做到这一点。假设每个只包含单个实体的子元素都应该返回 so。否则应该使用标准的 SimpleXML 字符串化：

/**
 * Class EntityPreserveXML
 */
class EntityPreserveXML extends SimpleXMLElement
{
    /**
     * @return string
     */
    public function __toString()
    {
        $dom = dom_import_simplexml($this);
        if (
            !$dom instanceof DOMElement
            || $dom->childNodes->length !== 1
            || ! $dom->firstChild instanceof DOMEntityReference
        ) {
            return parent::__toString();
        }

        return $dom->ownerDocument->saveXML($dom->firstChild);
    }
}

让我们在上面的例子中运行它：

require('EntityPreserveXML.php');
$xml = simplexml_load_file($file, 'EntityPreserveXML');
$pos = $xml->entry->sense->pos;

echo  "SimpleXML value (string): ", $pos         , "\n"
    , "SimpleXML value (XML)   : ", $pos->asXML(), "\n";

SimpleXML 现在使用扩展类，然后按预期给出：

SimpleXML value (string): noun (common) (futsuumeishi)
SimpleXML value (XML)   : <pos>&n;</pos>

的&n;，因为它是唯一的孩子现在被保存在到字符串转换为SimpleXMLElement的。但仅仅因为这有效并不意味着您应该使用它，它打破了文本形式的解析 XML 和文档模型含义中的 XML 之间的编码边界。

可能您只是在寻找 DOMDocument？这是一个包含更多细节的模型，您可以从中使用DOMEntityReferences（如果有的话）。