使用minidom解析XML时丢失空CDATA节点的问题排查

问题原因 #

1. expat解析器的默认行为：minidom底层依赖的expat解析器，遇到<![CDATA[]]>这类空内容的CDATA节点时，不会触发character_data_handler_cdata回调——它认为空字符数据无需处理，直接跳过，导致minidom在解析阶段就彻底丢失了这些空CDATA节点的信息，后续自然无法导出还原。
2. minidom节点模型的缺陷：minidom将CDATA视为文本节点的变体，空文本节点在内部处理流程中容易被忽略或合并，进一步加剧了空CDATA的丢失问题。

解决办法 #

1. 改用lxml库（推荐） #

lxml对XML节点的保留逻辑更严谨，原生支持空CDATA节点的解析与导出，性能也更适合处理数万行的大文件，代码示例：

from lxml import etree

# 解析原XML
tree = etree.parse("input.xml")
root = tree.getroot()

# 执行你的修改操作（示例：修改某节点内容）
# target_node = root.find(".//target_node")
# target_node.text = "updated_content"

# 导出XML，保留空CDATA
tree.write(
    "output.xml",
    encoding="utf-8",
    xml_declaration=True,
    pretty_print=True
)

2. 修改minidom的expatbuilder源码（仅适合必须用minidom的场景） #

找到Python安装目录下的expatbuilder.py，调整空CDATA的处理逻辑：

• 找到character_data_handler_cdata方法，修改为即使传入空数据也创建CDATA节点：

def character_data_handler_cdata(self, data):
    if self._parser._cdata_elem:
        # 强制为空数据创建CDATA节点
        self._parser._cdata_elem.appendChild(self._parser.createCDATASection(data))

• 在ExpatBuilder类的初始化代码中，添加让expat不忽略空字符数据的配置：

self.parser.buffer_text = True
self.parser.returns_unicode = True
# 新增：保留空字符数据
self.parser.specified_attributes = True

注意：修改系统库源码会影响全局Python环境，版本升级后需要重新调整，谨慎使用。

3. 预处理XML文件（临时应急方案） #

如果无法更换库或修改源码，可通过批量字符串替换临时处理空CDATA，避免解析丢失：

import xml.dom.minidom as minidom

# 预处理：给空CDATA填充唯一占位符
with open("input.xml", "r", encoding="utf-8") as f:
    raw_content = f.read().replace("<![CDATA[]]>", "<![CDATA[__EMPTY_CDATA_MARKER__]]>")

# 解析并执行修改操作
dom = minidom.parseString(raw_content)
# 此处添加你的节点修改逻辑...

# 导出前替换回空CDATA
with open("output.xml", "w", encoding="utf-8") as f:
    output_content = dom.toxml(encoding="utf-8").decode("utf-8")
    output_content = output_content.replace("<![CDATA[__EMPTY_CDATA_MARKER__]]>", "<![CDATA[]]>")
    f.write(output_content)

注意：占位符需确保不会与XML原有内容冲突。

内容的提问来源于stack exchange，提问作者R0NUT