XML解析器中连续CDATA段是否应向应用透明合并？

当连续CDATA段之间无任何XML元素（包括注释、处理指令、元素标签等）分隔时，解析器应当向应用层透明合并这些段的内容，以下是具体分析：

规范依据 #

XML 1.0规范明确规定，CDATA段是用于容纳无需转义特殊字符的文本容器，连续的CDATA段在语义上完全等价于将它们的内容直接拼接后的单个文本块。CDATA段的边界属于语法处理细节，并非文档语义的一部分，规范不要求解析器保留这些边界信息。

两种处理方式的差异对比 #

合并处理（推荐默认行为） #

• 优势：
  • 贴合XML语义设计，应用层无需关心底层语法拆分逻辑，接口更简洁易用；
  • 与转义文本的处理逻辑保持一致（转义后的文本不会因语法层面的拆分被分段）；
  • 避免给应用层增加不必要的分段判断与合并负担。
• 局限：
  • 会丢失原始文档中CDATA段的分段结构，无法满足少数需要精确还原原始文档格式的小众场景。

不合并处理 #

• 优势：
  • 完整保留原始文档的语法结构，可用于文档格式还原、语法分析等特殊场景。
• 局限：
  • 违背XML语义等价性原则，将语法细节暴露给应用层，增加应用逻辑复杂度；
  • 会导致解析器接口设计复杂化，需额外提供分段元数据供应用处理。

专业实践建议 #

作为通用XML解析器，默认行为应优先采用合并处理，确保接口简洁性与语义一致性。如果需要支持保留原始分段的特殊需求，可通过可选配置参数（如preserve_cdata_segments）开启该功能，兼顾通用性与场景扩展性。

另外，在生成XML时，将包含]]>的文本拆分为多个CDATA段是符合规范的正确做法，解析时合并这些段能保证“生成-解析”链路的一致性，避免语义偏差。

内容的提问来源于stack exchange，提问作者Andrea Cocito