使用PHP正则从XML文档提取顶级标签生成有序数组

处理Word XML的命名空间节点时，正则匹配容易因嵌套结构或格式问题出错，推荐用PHP的DOM扩展精准处理，以下是可行的实现代码：

<?php
// 替换为你的实际XML字符串变量
$xmlString = '<w:document xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main">
    <w:p>段落内容</w:p>
    <w:tbl>表格内容</w:tbl>
    <w:p>另一段内容</w:p>
</w:document>';

$dom = new DOMDocument();
// 屏蔽XML格式错误提示，避免非标准XML中断执行
libxml_use_internal_errors(true);
$dom->loadXML($xmlString);
libxml_clear_errors();

// 定义Word XML官方命名空间
$wordNs = 'http://schemas.openxmlformats.org/wordprocessingml/2006/main';
$rootNode = $dom->documentElement;
$outputArr = [];

// 遍历根节点的所有子节点
foreach ($rootNode->childNodes as $node) {
    // 仅处理元素节点，跳过空白文本、注释等无效节点
    if ($node->nodeType !== XML_ELEMENT_NODE) {
        continue;
    }

    // 获取不带命名空间前缀的节点名
    $localNodeName = $node->localName;
    switch ($localNodeName) {
        case 'p':
            $outputArr[] = 'a paragraph';
            break;
        case 'tbl':
            $outputArr[] = 'a table';
            break;
        // 可扩展添加其他需要匹配的顶级标签
    }
}

// 输出预期数组
print_r($outputArr);
?>

常见问题排查 #

• 未处理命名空间：直接用$node->nodeName会得到带w:前缀的字符串（如w:p），而localName能获取纯净的节点名p，这是之前输出不符的常见原因。
• 未过滤非元素节点：XML中的空白换行会被解析为文本节点，必须通过nodeType === XML_ELEMENT_NODE筛选有效节点，否则会混入无效内容。
• 正则匹配的局限性：XML嵌套结构复杂，正则无法精准处理层级关系，容易漏匹配或打乱顺序，优先使用DOM/SimpleXML这类XML专用扩展。

内容的提问来源于stack exchange，提问作者Engin Yilmaz