PHP XMLReader 怎么流式处理超大 XML：游标推进与节点释放边界

订单归档、商品目录或日志导出一旦涨到几百 MB，直接 simplexml_load_file() 往往先把整棵树搬进内存，脚本还没处理完就撞上内存上限。PHP 的 XMLReader 是向前移动的拉取式游标，适合只关心少数节点的批处理：用 XMLReader::read 找到元素，用 XMLReader::next('item') 跳过当前子树，确实需要结构时才调用 XMLReader::expand，最后明确 XMLReader::close。

处理超大 XML 的关键不是把 DOM 写得更快，而是让游标只停在需要的元素上；大多数节点用 read 掠过，目标元素用 next 跳到下一个，局部结构才 expand。

先分清 XMLReader、SimpleXML 和 DOMDocument

三者的差别不在“能不能读 XML”，而在数据何时进入内存。DOMDocument 适合反复查询整棵文档；SimpleXML 写起来短，但同样偏向把结构装入内存；XMLReader 则像文件指针，只保留当前位置及解析器状态。

用 read 找到目标元素，再用 next 跳过无关子树

下面的示例只统计 item 元素。游标先执行 XMLReader::read，当 nodeType 为 XMLReader::ELEMENT 且名称为 item 时处理当前节点；处理完成后用 XMLReader::next('item') 直接寻找下一个同名元素，不再把描述、扩展属性等子节点逐个走一遍。

open(__DIR__ . '/catalog.xml')) {
    throw new RuntimeException('无法打开 XML');
}

$count = 0;
while ($reader->read()) {
    if ($reader->nodeType !== XMLReader::ELEMENT || $reader->name !== 'item') {
        continue;
    }

    $id = $reader->getAttribute('id');
    $count++;
    printf("item=%s count=%d%n", $id ?? 'missing', $count);

    $reader->next('item');
}

$reader->close();
printf("total=%d%n", $count);

这段代码的可见验收点是终端只输出每个 item 的计数，且不随着子节点数量线性增加日志行。图中的“跳过子树”对应 next('item') 的实际动作；若它找不到下一个目标，游标会走到文档末尾，while 条件自然结束。

需要字段结构时，才在当前节点调用 expand

有些批处理不仅要拿属性，还要读取当前 item 的子字段。这时可以在元素位置调用 XMLReader::expand，把当前节点复制成局部 DOMNode。图中的局部 DOM只服务于处理当前节点，不是把整个 XML 变成 DOM；真正重要的是把局部对象限制在当前节点，并在本轮处理后不再保存它。

read()) {
    if ($reader->nodeType !== XMLReader::ELEMENT || $reader->name !== 'item') {
        continue;
    }

    $node = $reader->expand(new DOMDocument());
    if ($node === false) {
        throw new RuntimeException('当前 item 无法展开');
    }
    $title = $node->getElementsByTagName('title')->item(0)?->textContent ?? '';
    processItem($reader->getAttribute('id'), trim($title));
    unset($node);
    $reader->next('item');
}

$reader->close();

如果内存曲线随着处理数量持续上升，先检查业务代码是否把 $node、textContent 或处理结果全部收集到了数组中。XMLReader 负责顺序解析，但不会替你清理仍被业务引用的对象。

三个选择边界决定批处理是否稳定

只要属性，别展开节点

例如只需要 id、status，停在元素节点后直接 getAttribute()。expand 带来的局部 DOM 成本没有收益。

需要完整子结构，才让 next 跳到下一项

如果当前元素的字段必须读完，先完成一次 expand 和业务处理，再 next。过早 next 会跳过当前子树，导致标题或明细字段没有机会读取。

无论正常结束还是异常，都要关闭游标

生产代码可把读取和处理放在 try 中，在 finally 调用 XMLReader::close。遇到坏 XML 时不要把已经输出的数量当成完整成功，应该同时记录解析失败位置和已处理计数。

常见问题：内存和游标边界

XMLReader 会不会完全不占内存？

不会。解析器、当前节点和局部展开对象仍需内存；它解决的是避免把整份 XML 长期建成全量对象树。

read 和 next 应该怎么选？

read 用于逐节点发现目标，next 用于从当前目标跳过已知无关子树并寻找下一个目标。

expand 后为什么内存还是上涨？

通常是业务层保留了 DOMNode、文本或结果数组。让单条结果尽快离开循环，并检查处理函数是否持有引用。

把流式边界落到验收清单

用小 XML 先核对计数，再用接近生产大小的文件观察峰值；检查目标节点缺失、空属性、坏 XML 和中途异常。只要代码始终沿着 XMLReader::read、XMLReader::ELEMENT、XMLReader::next('item')、必要时的 XMLReader::expand，并在收尾执行 XMLReader::close，就能把“能读”变成可解释的流式处理边界。