如何在PHP中将包含CDATA的大体积XML文件转换为JSON格式

问题根源 #

• SimpleXML默认不会自动加载带前缀的命名空间节点（如wp:wxr_version、wp:author等WXR专用节点），需要手动指定命名空间提取
• 直接对SimpleXMLElement对象执行json_encode()只会序列化默认层的属性，嵌套内容、CDATA节点容易丢失，哪怕开启LIBXML_NOCDATA也无法覆盖命名空间内的CDATA内容

可直接使用的实现代码 #

<?php
// 定义要加载的WXR文件路径
$xmlPath = 'belovedskincare.xml';

// 第一步：加载XML，保留CDATA
$xml = simplexml_load_file($xmlPath, 'SimpleXMLElement', LIBXML_NOCDATA);

// 第二步：注册WXR常用的命名空间，可根据实际导出文件的命名空间补充
$namespaces = $xml->getDocNamespaces(true);
$xml->registerXPathNamespace('wp', $namespaces['wp']);
$xml->registerXPathNamespace('excerpt', $namespaces['excerpt'] ?? '');
$xml->registerXPathNamespace('content', $namespaces['content'] ?? '');

// 第三步：自定义递归转换函数，提取所有节点包括命名空间节点
function xml_to_object($xml, $namespaces) {
    $data = [];
    // 处理当前节点的属性
    foreach ($xml->attributes() as $attrKey => $attrVal) {
        $data['@attributes'][$attrKey] = (string)$attrVal;
    }
    // 处理默认命名空间的子节点
    foreach ($xml->children() as $nodeKey => $nodeVal) {
        if (count($nodeVal->children()) > 0) {
            $data[$nodeKey][] = xml_to_object($nodeVal, $namespaces);
        } else {
            $data[$nodeKey] = (string)$nodeVal;
        }
    }
    // 处理所有带命名空间的子节点
    foreach ($namespaces as $nsPrefix => $nsUri) {
        if (empty($nsPrefix)) continue;
        foreach ($xml->children($nsUri) as $nodeKey => $nodeVal) {
            if (count($nodeVal->children()) > 0) {
                $data[$nsPrefix . ':' . $nodeKey][] = xml_to_object($nodeVal, $namespaces);
            } else {
                $data[$nsPrefix . ':' . $nodeKey] = (string)$nodeVal;
            }
        }
    }
    return $data;
}

// 执行转换
$fullData = xml_to_object($xml, $namespaces);
// 输出JSON，JSON_UNESCAPED_UNICODE保证中文不转义
$jsonData = json_encode($fullData, JSON_PRETTY_PRINT | JSON_UNESCAPED_UNICODE);

echo $jsonData;

// 如果需要保存到文件可以加下面这句
// file_put_contents('wxr_export.json', $jsonData);
?>

大体积XML优化提示 #

如果导出的WXR文件超过100M，建议改用XMLReader逐段解析加载，避免内存溢出，核心逻辑和上面的转换函数一致，只是把一次性加载改为逐节点读取处理。

内容的提问来源于stack exchange，提问作者Senthur Kumaran