如何在 PHP DOM 中正确提取 CDATA 节点内容

本文详解如何使用 php 的 domdocument 与 domxpath 高效解析含 cdata 的 xml（如 sitemap），避免手动遍历节点时因空白文本和 cdata 混杂导致的数据丢失，直接获取干净的字符串值。

在使用 DOMDocument 解析 XML 时，CDATA 节点（XML_CDATA_SECTION_NODE）常与周围空白文本节点（XML_TEXT_NODE）共存，导致传统递归转数组逻辑（如 xml_to_array()）难以准确提取值——例如 实际包含 3 个子节点：前导换行/空格文本、CDATA 节点、尾随换行/空格文本。若未显式处理，nodeValue 可能为空或混入不可见字符。

虽然可通过设置 $document->preserveWhiteSpace = false 强制忽略空白节点，但这属于“暴力清理”，可能误删业务所需的有意义空格，且无法解决命名空间等复杂场景。更专业、健壮的方案是绕过通用数组转换，直接用 DOMXPath 精准定位并提取内容。

✅ 推荐做法：DOMXPath + 命名空间支持

$xml = <<<'XML'

  
    https://www.blablal.id/news/sitemap.xml
    
      
    
  

XML;

$document = new DOMDocument();
$document->loadXML($xml);

$xpath = new DOMXPath($document);
// 必须为默认命名空间注册前缀（否则 XPath 查询无效）
$xpath->registerNamespace('map', 'http://www.sitemaps.org/schemas/sitemap/0.9');

$sitemaps = [];
foreach ($xpath->evaluate('//map:sitemap') as $sitemap) {
    $sitemaps[] = [
        'loc'     => trim($xpath->evaluate('string(map:loc)', $sitemap)),
        'lastmod' => trim($xpath->evaluate('string(map:lastmod)', $sitemap))
    ];
}

var_dump($sitemaps);

✅ 输出结果：array(1) { [0] => array(2) { ["loc"] => string(39) "https://www.blablal.id/news/sitemap.xml" ["lastmod"] => string(25) "2022-02-02T12:21:02+07:00" } }

? 关键要点说明

• string() 函数：XPath 中的 string() 会自动合并所有子文本节点（含 CDATA 内容）并返回纯字符串，天然兼容 CDATA；
• 命名空间必须注册：XML 声明了默认命名空间 xmlns="..."，XPath 查询必须通过 registerNamespace() 绑定前缀，否则 //sitemap 类查询将匹配失败；
• trim() 不可省略：即使 string() 合并了内容，前后仍可能残留换行与空格（如示例中 CDATA 内部的空格），trim() 是安全兜底；
• 性能与可维护性更优：相比深度递归解析，XPath 查询语义清晰、执行高效，且易于扩展（如添加 changefreq、priority 字段只需新增一行）。

⚠️ 注意事项

• 若 XML 文件较大，建议启用 libxml_disable_entity_loader(true)（PHP 8.0+ 已默认禁用外部实体）防范 XXE 攻击；
• DOMDocument::loadXML() 对格式错误较敏感，生产环境应配合 libxml_use_internal_errors(true) 捕获解析异常；
• 不要依赖 childNodes 索引（如 $node->childNodes->item(0)）提取值——节点顺序受空白、注释、CDATA 影响，极不稳定。

综上，面对含 CDATA 的 XML，放弃“通用转数组”思维，拥抱 XPath 精准查询，是 PHP 开发者最简洁、可靠、符合标准的实践路径。