一段XML在格式化前有正文,处理后标签还在,文字却消失了。这种情况不能因为“层级展开了、没有报错”就直接覆盖原文件。尤其是CDATA节点,要核对格式化器是否保留了它的内容。

本次在XML格式化工具中测试了实体文本与CDATA。当前结果中CDATA内容没有保留,所以下面的操作用于识别这一边界,不建议把这次输出当作含CDATA文档的无损替代品。

在同一个文档中放两种文本

先保存下面这份虚构原文,再粘贴到编辑框:

<root><plain>A &lt; B &amp; C</plain><raw><![CDATA[A < B & C]]></raw></root>
处理前原文同时含plain实体文本和raw里的CDATA内容
处理前原文同时含plain实体文本和raw里的CDATA内容

plain 中用实体表达小于号和与号;raw 中通过CDATA包含同样的可读文本。按XML解析,这两个元素内的文本都是 A < B & C。CDATA是另一种源码写法,外面的标记本身不属于元素的文本值。

CDATA并不会让内容变成一个新子元素。里面的 < 与 & 在这里属于字符数据,不能再把它们当作普通XML开始标签或实体引用来解释。

格式化后,核对的不只是标签

点击“校验 / 格式化”,本次输出如下。

本次plain文本保留,raw的CDATA文本却没有出现在格式化结果中
本次plain文本保留,raw的CDATA文本却没有出现在格式化结果中

结果中 plain 仍显示 A &lt; B &amp; C,raw 却变成没有原文字内容的起止标签。保留元素名称不等于保留元素文本。若接下来把结果复制到配置或业务消息中,就可能提交一份内容已经改变的XML。

本次还用浏览器原生XML解析分别检查了输入与输出:原文包含两份 A < B & C,输出中只剩普通文本那一份;不是单纯把CDATA标记换成等价实体而文字仍在。研究记录保留了两份源码与解析结果,不把这个现象推断成所有XML格式化器都如此。

当前入口遇到这类文档时,应返回原始副本,换用经过文本往返核对的XML处理方式。若业务允许以普通文本节点保存相同内容,可以在原文基础上正确转义 < 和 &,再验证接收端;不要通过删除CDATA标记或直接拼接原字符来消除显示差异。

CDATA中也有不能直接包含的结束序列

第三次输入故意放入一个边界错误:

<root><![CDATA[alpha ]]> beta]]></root>
错误示例中CDATA已在第一处结束,后续裸结束序列触发解析错误
错误示例中CDATA已在第一处结束,后续裸结束序列触发解析错误

第一处 ]]> 已经结束CDATA,后面的 beta]]> 不再处于CDATA内部。当前页面明确给出解析错误。CDATA不能嵌套,也不能把结束序列直接放在同一个CDATA段里而期待解析器自动忽略。

如果文本本身需要包含 ]]>,标准XML可以把内容分成相邻CDATA段。例如下面是一种表示方式:

<root><![CDATA[alpha ]]]]><![CDATA[> beta]]></root>
分段写法本身可解析,但本次格式化后root内的CDATA文字仍未保留
分段写法本身可解析,但本次格式化后root内的CDATA文字仍未保留

这组原文可以解析出 alpha ]]> beta,但是本次格式化结果仍只剩空的root。它同时说明两件事:原文的CDATA边界合法,当前格式化输出却没有保留这份文本。修正语法边界并没有自动解决内容丢失。

提交前比较需要保留的节点值

处理XML时,最少保留原文、转换后源码以及关键节点的文本对照。仅比较元素数量、有没有根标签,发现不了本次这种“结构还在、正文已经不在”的变化。

图片里的结果是本次入口实测,不代表已经修复产品,也不保证下一版仍有相同行为。正式转换前,可以用自己的无隐私小样先验证CDATA、属性与混合文本。普通空白同样可能有语义,涉及保留空格时再核对XML空白处理的使用边界,避免把美化排版误当成内容完全不变。