我正在使用SimpleXML来尝试解析带有<!ENTITY
声明的大型XML文件。不幸的是,SimpleXML 似乎太急于继续扩展这些实体,我宁愿它没有,因为实体符号很短,易于解析,理论上不会在较新版本的文件中更改,而扩展的实体是可能会更改的英语句子。有没有办法告诉SimpleXML把它敲掉?
在将文件内容传递给 XML 解析器之前,我想过"预解析"XML 文件以去除<!ENTITY
位,但这感觉很黑客,而且由于它是一个大文件,我宁愿尽可能少地摆弄它。
(请原谅上述任何错误的术语;我已经很久没有做过这种级别的 XML 工作了。
看起来是这样,但事实并非如此(除非您指定我猜您没有的标志,尽管您没有在代码中显示您的工作)。只是 SimpleXML 只有在您使用 ->asXML()
方法而不是通过 to-string 实现时才能将其返回给您。
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)">
因此,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 = $xml->entry->sense->pos;
变量$pos
现在是<pos>
元素节点的 SimpleXMLElement。让我们输出它以查看解析器如何处理&n;
实体:
echo "SimpleXML value (string): ", $pos , "'n"
, "SimpleXML value (XML) : ", $pos->asXML(), "'n";
输出为:
SimpleXML value (string): noun (common) (futsuumeishi)
SimpleXML value (XML) : <pos>&n;</pos>
如本例所示,&n;
仍然存在(<pos>&n;</pos>
),只是在您作为字符串值(noun (common) (futsuumeishi)
)访问它的那一刻,它将被扩展。
顺便说一下,这是完全可以的,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);
这实际上将执行您当时假设的操作,实体现在已展开,XML 输出不再包含该实体:
SimpleXML value (string): noun (common) (futsuumeishi)
SimpleXML value (XML) : <pos>noun (common) (futsuumeishi)</pos>
所以现在双问号如何做你想要的?好吧,PHP中实际上具有实体模型的XML解析器是DOMDocument。它是SimpleXML的姊妹库,在内部共享相同的内存对象。以下是同一对象(更准确地说:它唯一的子节点)对于这两种模式的输出,不带LIBXML_NOENT
:
Mode 1:
DOMDocument Class : DOMEntityReference
DOMDocument value(XML) : &n;
DOMDocument ->nodeName : n
Mode 2 (LIBXML_NOENT):
DOMDocument Class : DOMText
DOMDocument value(XML) : noun (common) (futsuumeishi)
DOMDocument ->nodeName : #text
这是由以下代码创建的,该代码应该使给定输出背后的内容更加可见:
$node = dom_import_simplexml($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,它是一个姊妹库,dom_import_simplexml
$pos
变成了一个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:由于 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,这并不意味着我们不能处理这个问题,因此可以通过从它扩展来欺骗SimpleXML来做到这一点。假设每个只包含一个实体的子元素都应该返回 so。否则,应使用标准的 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);
}
}
让我们让它在上面的示例中运行:
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 现在正在使用扩展类,然后按预期给出:
SimpleXML value (string): &n;
SimpleXML value (XML) : <pos>&n;</pos>
&n;
因为它是唯一的子项,现在保留在 SimpleXMLElement 的字符串转换中。但仅仅因为这工作并不意味着你应该使用它,它打破了文本形式的解析 XML 和文档模型意义上的 XML 之间的编码边界。
可能你只是在寻找DOMDocument?这是一个具有更多细节的模型,如果有的话,您可以从中使用DOMEntityReference
。