PHP解析XML/XBRL文件疑难解答与实战

php

2025-03-08 16:15:10

PHP 解析 XML/XBRL 文件：疑难解答与实战

碰上需要从 XML 或者 XBRL 文件里捞数据的活儿了？别慌，咱们来理一理。这事儿说难不难，说简单也不简单，关键是要找对路子。

问题：死活解析不出 XML/XBRL 文件

问题出在哪儿呢？通常，处理 XML/XBRL 文件时，会遇到下面几个坎儿：

文件结构复杂: XML 文件，尤其是 XBRL 文件，往往层层嵌套，跟俄罗斯套娃似的。直接用常规方法处理，容易迷路。
命名空间（Namespace）： XML 文件里经常会用到命名空间来区分不同的标签和属性。这玩意儿处理不好，就会导致 XPath 查询失效。
数据类型和格式： XBRL 数据类型和格式跟普通的 XML 有区别，得按它的规矩来。
文件编码： 文件编码不一致会导致乱码。

几种搞定 XML/XBRL 文件的办法

针对上面的问题, 咱有以下解决方案，你可以挨个试试，总有一款适合你。

1. 使用 SimpleXML 扩展 (简单场景首选)

原理: 如果 XML 文件结构比较简单，没有太多复杂的嵌套和命名空间，那 SimpleXML 绝对是首选。它把 XML 文件直接转换成 PHP 对象，访问起来就跟访问对象的属性一样简单。

适用场景： 结构简单，没有命名空间，或者命名空间可以忽略的 XML 文件。

代码示例：

$xmlString = file_get_contents('http://regnskaber.virk.dk/48966882/ZG9rdW1lbnRsYWdlcjovLzAzLzdjLzk0LzFhL2I4LzY5ZGMtNGRhZi04NGE0LTRmNTEyN2UxY2U2MA.xml');
// 移除 BOM 头
$xmlString = str_replace("\xEF\xBB\xBF", '', $xmlString);

$xml = simplexml_load_string($xmlString);

if ($xml === false) {
    echo "解析 XML 失败!";
    exit;
}

// 举个例子： 获取公司名称 (根据实际情况修改)
// 因为有命名空间, 使用 SimpleXML 比较困难,需要通过 children() 方法指定
// 由于篇幅关系,此处暂时省略

//再举例，假设要获取 <fsa:Assets contextRef="c6">1694866</fsa:Assets> 的值
// 需要这么写，是不是很麻烦？所以这种场景 SimpleXML 并不是很好用
// echo $xml->children('fsa', true)->Assets;

安全提示： SimpleXML 默认会解析外部实体。如果有安全顾虑，可以用simplexml_load_string函数的第二个参数, 设置为 LIBXML_NOENT，禁用实体解析。

缺点：

SimpleXML 对付复杂的 XML 比较吃力, 不方便精确控制, 处理复杂场景时会有点力不从心。
SimpleXML 不能直接修改xml文档内容

2. 使用 DOMDocument 扩展 + XPath (复杂场景必备)

原理： DOMDocument 扩展将 XML 文件加载为一个树形结构，而 XPath 则像一个强大的“寻路器”，让你能够通过路径表达式精准地找到你想要的节点和数据。对于命名空间问题, 注册后使用就很容易处理了.

适用场景： 复杂的 XML 文件，尤其是那些有大量命名空间和嵌套结构的。

代码示例：

$xmldoc = new DOMDocument();
$xmlString = file_get_contents('http://regnskaber.virk.dk/48966882/ZG9rdW1lbnRsYWdlcjovLzAzLzdjLzk0LzFhL2I4LzY5ZGMtNGRhZi04NGE0LTRmNTEyN2UxY2U2MA.xml');
$xmlString = str_replace("\xEF\xBB\xBF",'',$xmlString); //去除 BOM 头
$xmldoc->loadXML($xmlString); // 使用 loadXML, 不是 load

$xpath = new DOMXPath($xmldoc);

// 注册命名空间, 每个都需要注册！
$xpath->registerNamespace('xbrli', 'http://www.xbrl.org/2003/instance');
$xpath->registerNamespace('fsa', 'http://xbrl.dcca.dk/fsa');
$xpath->registerNamespace('gsd', 'http://xbrl.dcca.dk/gsd');
$xpath->registerNamespace('cmn', 'http://xbrl.dcca.dk/cmn');
$xpath->registerNamespace('dst', 'http://xbrl.dcca.dk/dst');
$xpath->registerNamespace('arr', 'http://xbrl.dcca.dk/arr');

// 获取 Equity 的值
$equity = $xpath->query("//fsa:Equity[@contextRef='c142']");

if ($equity->length > 0) {
  echo "Equity: " . $equity->item(0)->nodeValue . "\n";
}

// 获取 Assets 的值
$assets = $xpath->query("//fsa:Assets[@contextRef='c6']");

if ($assets->length > 0) {
   echo "Assets: " . $assets->item(0)->nodeValue . "<br/>";
}
//获取公司名,在 //gsd:NameOfReportingEntity 中, 使用 text() 获取值
$companyName = $xpath->query("//gsd:NameOfReportingEntity/text()");

if ($companyName->length > 0) {
   echo "CompanyName: " . $companyName->item(0)->nodeValue . "\n";
}

关键点解释：

$xmldoc->loadXML($xmlString): 这里使用loadXML, 而不是load，直接从字符串加载。
$xpath->registerNamespace(...): 这一步非常关键！把 XML 文件里用到的命名空间都注册一下，查询的时候才能找对地方。注册的时候, 第一个参数是前缀，查询时需要使用这个前缀, 比如 fsa:Equity。第二个参数是 URL。
$xpath->query(...): 使用 XPath 表达式来查询节点。//fsa:Equity[@contextRef='c142'] 的意思就是：找到所有带有 contextRef 属性且值为 'c142' 的 fsa:Equity 节点。

安全提示： 和 SimpleXML 一样，DOMDocument 默认也会解析外部实体。出于安全考虑，建议在加载 XML 数据后，用$xmldoc->resolveExternals = false;来禁用外部实体解析。

3. 使用 XMLReader 扩展（处理超大 XML 文件）

原理： 如果 XML 文件特别大，一次性加载到内存里可能会撑爆，这时候就轮到 XMLReader 登场了。它采用“流式处理”的方式，一点一点地读取 XML 文件，内存占用非常小。像个小溪流，不是一次全给你，而是一点点来。

适用场景： 处理大型 XML 文件，避免内存溢出。

代码示例：

$reader = new XMLReader();
$dataUrl = 'http://regnskaber.virk.dk/48966882/ZG9rdW1lbnRsYWdlcjovLzAzLzdjLzk0LzFhL2I4LzY5ZGMtNGRhZi04NGE0LTRmNTEyN2UxY2U2MA.xml';
$reader->open($dataUrl);

//注册需要使用的命名空间。
$namespaces = array(
  'xbrli' => 'http://www.xbrl.org/2003/instance',
  'fsa' => 'http://xbrl.dcca.dk/fsa',
  'gsd' => 'http://xbrl.dcca.dk/gsd',
    'cmn' => 'http://xbrl.dcca.dk/cmn',
    'dst' => 'http://xbrl.dcca.dk/dst',
    'arr' => 'http://xbrl.dcca.dk/arr'
);

//循环读取节点
while ($reader->read()) {
   //如果是元素节点开始
    if ($reader->nodeType == XMLReader::ELEMENT) {
        //根据不同的节点名称进行解析
        //检查命名空间，如果元素在命名空间中
         if (isset($namespaces[$reader->namespaceURI])) {
          $prefix = array_search($reader->namespaceURI, $namespaces);

        if ($reader->localName == 'Equity' && $reader->getAttribute('contextRef') == 'c142') {
                $reader->read(); // 移动到包含值的文本节点
                 if($reader->nodeType == XMLReader::TEXT ||$reader->nodeType == XMLReader::CDATA) {
                    echo "Equity (XMLReader): " . $reader->value . "\n";
                }

        } elseif ($reader->localName == 'Assets' && $reader->getAttribute('contextRef') == 'c6')
         {
              $reader->read(); //移动到下一个包含值的节点.
              if($reader->nodeType == XMLReader::TEXT ||$reader->nodeType == XMLReader::CDATA){
               echo "Assets (XMLReader): ".$reader->value ."\n";
              }
        }
       }

    }
}

$reader->close();

关键点解释：

$reader->read(): 每次调用这个方法，XMLReader 就会读取 XML 文件中的下一个节点。
$reader->nodeType: 这个属性表示当前节点的类型，比如 XMLReader::ELEMENT 表示元素节点，XMLReader::TEXT 表示文本节点。
$reader->localName: 当前节点的名称 (不含命名空间前缀)。
$reader->namespaceURI: 当前节点的命名空间。

安全提示: 和 DOMDocument 一样。 XMLReader 默认也会解析外部实体,记得处理。

4. 进阶使用技巧

错误处理： 一定要记得进行错误处理。 XML 解析出错是很常见的, 例如网络问题，格式问题等。用 libxml_use_internal_errors(true) 开启内部错误处理，然后用 libxml_get_errors() 获取错误信息。
XPath 表达式优化： XPath 表达式写得好，查询效率会大大提高。尽量使用具体的路径，避免使用 // 这种全局搜索。多利用属性和谓词来缩小查找范围。
缓存机制 : 如果需要多次读取相同的 XML 文件数据，可以考虑使用缓存机制(如 Memcached, Redis)，减少重复解析的开销。

总结一下

上面介绍的三种方法各有千秋。要选择哪种方法，主要看 XML 文件的具体情况和你自己的需求:

如果结构简单：用SimpleXML.
如果结构复杂，需要灵活处理: DOMDocument + XPath.
如果文件巨大，怕内存爆掉: 用XMLReader。
一般而言，推荐使用 DOMDocument+ XPath 的方案, 更强大和通用.

Kyle

探索Web开发资源和人工智能教程的代码社区

联系我

扫码关注微信公众号