XSLT提取含emoji的XML CDATA内容时生成多段CDATA片段问题求助

根因说明 #

该问题是Xalan系列XSLT转换器（含JDK内置实现、Xalan 2.7.2独立包）的典型表现：包含Unicode增补字符（即码点超过U+FFFF的字符，本例中的💰对应码点U+1F4B0属于该范畴）的文本在DOM解析阶段会被拆分为多个相邻的Text节点，你使用<xsl:copy-of>会原封不动复制所有这些拆分后的Text节点，而cdata-section-elements配置会为每个子Text节点单独生成CDATA段，最终就出现了CDATA被断开的问题。

可行解决方案 #

方案1：修改XSLT写法（最推荐，改造成本极低） #

将你XSLT中<cdata-given-xml-value>节点下的<xsl:copy-of select="$xml-value" />替换为<xsl:value-of select="$xml-value" />即可。
<xsl:value-of>会自动把所有相邻Text节点的内容拼接为单个完整字符串输出，转换器会将整个字符串包裹在同一个CDATA段内，完全符合你的预期输出要求。

方案2：转换后做文本替换（兜底方案，无需改XSLT） #

如果无法调整XSLT内容，可以在转换完成后对输出的XML字符串做正则替换，匹配模式]]>([^<]+)<!\[CDATA\[，将中间匹配到的内容和前后CDATA段合并即可。

方案3：更换转换器 #

如果你的业务可以接受付费工具，可以升级到Saxon-PE/EE版本，该系列转换器不存在CDATA拆分问题，同时支持Java扩展函数调用能力。

内容的提问来源于stack exchange，提问作者Patrick Ferreira