如何使用PHP将XML转JSON 修复CDATA内容截断异常

问题根因 #

该CDATA截断问题是libxml2在使用LIBXML_NOCDATA参数时的已知解析缺陷：当CDATA块内包含XML1.0规范不允许的非法控制字符（即0x00-0x1F范围内除制表符、换行、回车外的不可见字符，多数系统导出的XML会隐式带入这类字符），libxml在将CDATA节点合并为普通文本节点的过程中，会在第一个非法字符位置直接终止文本读取，且不会抛出显性解析错误。单独提取CDATA片段测试无法复现的原因是，文本编辑器复制粘贴时会自动过滤掉这类不可见控制字符。

此前尝试手动转换CDATA节点未生效的原因是：代码中仅给循环临时变量$node重新赋值，没有实际修改DOM树的节点结构，改动不会作用到原文档对象上。

修复方案 #

方案1：预处理过滤非法XML字符（改动最小，兼容性最优） #

在加载XML前先过滤掉所有不符合XML1.0规范的非法字符，从源头规避libxml解析截断问题，原有转换逻辑不需要做任何调整：

$rawXml = FileHelpers::fileGetContents($file);
// 匹配所有XML1.0不允许的非法控制字符
$invalidCharPattern = '/[^\x{9}\x{A}\x{D}\x{20}-\x{D7FF}\x{E000}-\x{FFFD}\x{10000}-\x{10FFFF}]/u';
$cleanXml = preg_replace($invalidCharPattern, '', $rawXml);

$dom = new \DOMDocument();
$dom->loadXML($cleanXml, LIBXML_NOCDATA);
// 原有jsonPrepareXml、simplexml加载、JSON编码逻辑保持不变即可

注意：该方案会直接丢弃不可见的非法控制字符，如果业务场景需要保留这类特殊字符，请使用方案2。

方案2：移除LIBXML_NOCDATA，手动替换CDATA节点 #

放弃使用存在缺陷的LIBXML_NOCDATA自动转换逻辑，加载XML后手动遍历DOM树，将所有CDATA节点正式替换为普通文本节点，绕开libxml的解析bug，不会丢失任何字符：

/**
 * 递归将DOM树中所有CDATA节点替换为普通文本节点
 */
function replaceCdataWithText(\DOMNode $node): void
{
    // 从后往前遍历子节点，避免节点替换导致的遍历偏移问题
    for ($i = $node->childNodes->length - 1; $i >= 0; $i--) {
        $childNode = $node->childNodes->item($i);
        if ($childNode instanceof \DOMCdataSection) {
            // 直接操作DOM树完成节点替换，仅修改临时变量不会生效
            $textNode = $node->ownerDocument->createTextNode($childNode->nodeValue);
            $node->replaceChild($textNode, $childNode);
        } elseif ($childNode->hasChildNodes()) {
            replaceCdataWithText($childNode);
        }
    }
}

$dom = new \DOMDocument();
// 移除LIBXML_NOCDATA，添加错误抑制参数避免非标准XML抛出警告
$dom->loadXML(FileHelpers::fileGetContents($file), LIBXML_NOERROR | LIBXML_NOWARNING);
replaceCdataWithText($dom);
// 原有jsonPrepareXml、simplexml加载、JSON编码逻辑保持不变即可

辅助排查手段 #

如果需要确认截断位置的具体异常字符，可以开启libxml内部错误捕获，查看解析过程中的隐式警告：

libxml_use_internal_errors(true);
$dom->loadXML($rawXml);
$parseErrors = libxml_get_errors();
// 打印$parseErrors即可定位到非法字符所在的行号、具体错误类型
libxml_clear_errors();

内容的提问来源于stack exchange，提问作者David