PHP,SimpleXML,解码CDATA中的实体

Question

我遇到以下行为:

$xml_string1 = "<person><name><![CDATA[ Someone&#039;s Name ]]></name></person>";
$xml_string2 = "<person><name> Someone&#039;s Name </name></person>";

$person = new SimpleXMLElement($xml_string1);
print (string) $person->name; # Someone&#039;s Name

$person = new SimpleXMLElement($xml_string2);
print (string) $person->name; # Someone's Name

$person = new SimpleXMLElement($xml_string1, LIBXML_NOCDATA);
print (string) $person->name; # Someone&#039;s Name

php文档说NOCDATA"将[CD] CDATA合并为文本节点".对我来说,这意味着CDATA将被视为与文本节点相同 - 或者第三个示例的行为现在将与第二个示例相同.

我无法控制XML(它是来自外部源的提要),否则我只是删除CDATA标记,因为它什么也不做,并且破坏了我想要的行为.

为什么上面的例子表现得如此？有没有办法让SimpleXML以与处理文本节点相同的方式处理CDATA节点？"合并CDATA作为文本节点"实际上做了什么,因为我似乎不理解该选项？

在我提取数据之后,我正在解码,但上面的例子对我来说仍然没有意义.

Answer 1

XML中CDATA部分的目的是"按原样"封装一个文本块,否则需要转义特殊字符(特别是>,<和&).包含该字符的CDATA部分与包含该字符&的普通文本节点相同&.

如果解析器是提供忽略这一点,并假装一切CDATA节点真的只是文本节点,它会立即尽快打破有人提到的"P&O邮轮" -这&根本就不能算是有它自己(而不是&,或&somethingElse;).

该LIBXML_NOCDATA实际上是用SimpleXML漂亮没用,因为(string)$foo巧妙地结合了文本和CDATA节点的任何序列为普通PHP字符串.(人们经常没有注意到的东西,因为print_r没有.)对于更系统的访问方法(例如DOM),不一定如此,您可以将文本节点和CDATA节点本身作为对象进行操作.

它实际上做的是浏览文档,无论它遇到CDATA部分,它都会获取内容,将其转义,并将其作为普通文本节点放回,或者将其与任何文本节点"合并"到任何一侧.表示的文本是相同的,只是以不同的方式存储在文档中; 如果导出回XML,则可以看到差异,如下例所示:

$xml_string = "<person><name>Welcome aboard this <![CDATA[P&O Cruises]]> voyage!</name></person>";

$person = new SimpleXMLElement($xml_string);
echo 'CDATA retained: ', $person->asXML();
// CDATA retained: <?xml version="1.0"?>
// <person><name>Welcome aboard this <![CDATA[P&O Cruises]]> voyage!</name></person>

$person = new SimpleXMLElement($xml_string, LIBXML_NOCDATA);
echo 'CDATA merged: ', $person->asXML();
// CDATA merged: <?xml version="1.0"?>
// <person><name>Welcome aboard this P&amp;O Cruises voyage!</name></person>

如果您正在解析的XML文档包含实际包含实体的CDATA部分,则需要获取该字符串并将其完全独立于XML.执行此操作的一个常见原因(除了对库不太了解的懒惰)是将HTML中标记的内容视为XML文档中的任何旧字符串,如下所示:

<Comment>
<SubmittedBy>IMSoP</SubmittedBy>
<Text><![CDATA[I'm <em>really</em> bad at keeping my answers brief <tt>;)</tt>]]></Text>
</Comment>