PHP XMLReader 怎样流式读取大型 XML 的指定节点

处理大型 XML 时，我更愿意先把问题拆成“定位”和“取值”两件事：用 XMLReader::read() 向前移动游标，只在当前节点是目标元素时读取；遇到不需要展开的分支，就用 XMLReader::next() 跳过整棵子树。这样不会把整份文档一次性转换成 PHP 数组或 DOM 树。

官方资料：https://www.php.net/manual/en/book.xmlreader.php

方法说明：https://www.php.net/manual/en/xmlreader.read.php、https://www.php.net/manual/en/xmlreader.next.php、https://www.php.net/manual/en/xmlreader.expand.php

下面的代码围绕一个包含许多 item 节点的 XML 展开。图示均为 ImageGen 生成的静态说明图，不是浏览器、编辑器或程序运行截图。

先理解 XMLReader 为什么适合大文件

PHP 手册把 XMLReader 定义为 XML Pull parser：它像一个只向前移动的游标，在文档流中停在每个节点上。读取结果在内部按 UTF-8 处理，因此不要把它误认为“把整份 XML 解析成数组”。它更适合边读边处理，尤其是只需要少量节点的导入、清单扫描和日志采集。

XMLReader 会遇到开始元素、文本、结束元素等不同节点。判断名称之前，先判断 nodeType，否则同一个标签名可能在开始标签和结束标签上各匹配一次。

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

    if ($reader->name === 'item') {
        // 这里才处理目标元素的属性或内容
        $id = $reader->getAttribute('id');
        echo "命中 item: {$id}\n";
    }
}
?>

关键点只有两个：循环条件使用 read() 的布尔结果，筛选条件同时使用 nodeType 和 name。如果只写 $reader->name === 'item'，关闭标签也可能进入业务分支。

用 read 定位目标节点并读取属性

最小的流式读取器可以从文件打开，然后逐节点前进。下面示例只对 item 的开始节点做处理，属性值直接从当前游标读取。大型文件不需要先调用 file_get_contents()，也不需要构造完整 DOM。

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

try {
    while ($reader->read()) {
        // 只处理开始元素，避免同名结束标签重复进入
        if ($reader->nodeType !== XMLReader::ELEMENT || $reader->name !== 'item') {
            continue;
        }

        $id = $reader->getAttribute('id') ?? '';
        $kind = $reader->getAttribute('kind') ?? 'unknown';
        printf("id=%s kind=%s\n", $id, $kind);
    }
} finally {
    // 无论循环正常结束还是抛出异常，都释放输入资源
    $reader->close();
}
?>

把读取器放进 try/finally 后，后续增加业务异常也不会遗漏 close()。如果输入来自可访问 URI，仍然要把网络错误、权限和编码问题当成输入边界处理，不能把“没有命中节点”与“文件根本没有读成功”混为一谈。

不需要子节点时用 next 跳过整棵子树

read() 会逐个走过当前元素的子节点；如果某类元素不需要解析，继续逐节点读取就是额外工作。XMLReader::next() 会把游标移动到下一个节点，并跳过当前节点的所有子树。它适合“找到一个不关心的分支后，直接寻找同层的下一个目标”。

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

        if ($reader->name === 'debug') {
            // debug 下面可能有很多节点，但本次导入完全不需要它们
            $reader->next();
            continue;
        }

        if ($reader->name === 'item') {
            // 当前游标仍在 item 开始节点，可读取属性或文本
            echo $reader->getAttribute('id') . "\n";
        }
    }
} finally {
    // close 让输入流在所有路径上结束
    $reader->close();
}
?>

带参数的 next('item') 还能寻找下一个指定名称的节点；它不是“进入当前节点的第一个子节点”，而是跳过子树后在同层或后续结构中继续找。因此，若业务需要处理嵌套的 item，应该明确记录层级并使用 read()，不要把 next() 当成递归遍历。

按内容大小选择三种提取方式

定位到目标元素后，不同方法会带来不同的内存与结构取舍。我的经验是：纯文本用 readString()，需要保留 XML 标记用 readOuterXml()，确实要调用 DOM API 时才用 expand()。

name === 'title' && $reader->nodeType === XMLReader::ELEMENT) {
    // 纯文本字段不需要把整段标记复制出来
    $title = trim($reader->readString());
}

if ($reader->name === 'item' && $reader->nodeType === XMLReader::ELEMENT) {
    // 需要保留嵌套标签时再取外层 XML，避免提前转换成 DOM
    $fragment = $reader->readOuterXml();
}

if ($reader->name === 'details' && $reader->nodeType === XMLReader::ELEMENT) {
    // 只有确实依赖 DOM 方法时才把当前小子树复制出来
    $domNode = $reader->expand(new DOMDocument());
}
?>

expand() 是当前节点的副本，不是让整个文档变成 DOM。把它限制在小而明确的目标子树上，才能保留 XMLReader 的流式优势。相反，如果每个节点都调用 readOuterXml() 并长期缓存字符串，内存仍然会随着业务数组增长。

重复节点、编码和关闭动作要提前定好

如果 XML 中有大量重复节点，可以在每次命中后立即转换成自己的轻量数组并交给下游，不要把原始片段全部积压在内存中。遇到同名的嵌套节点，增加深度或父节点判断；只判断名称会让内层数据和外层数据混在一起。

XMLReader 内部按 UTF-8 处理读取内容，输入的声明编码仍应与实际字节一致。手册中的“不是正确 UTF-8”错误，往往说明源文件编码或 XML 声明不一致。这个问题应在输入生产端修正，或在进入 XMLReader 前做明确的编码转换；不要在读取循环中静默丢弃错误字节。

最终可以用下面的顺序检查实现：

1. 打开失败是否立即抛出错误，而不是进入空循环。
2. 目标判断是否同时检查 nodeType === XMLReader::ELEMENT。
3. 无关的大分支是否使用 next() 跳过，而不是盲目展开。
4. 纯文本、XML 片段和 DOM 需求是否分别选择了合适方法。
5. 正常结束、异常和中途返回时是否都会调用 close()。

最后的取舍

PHP XMLReader 的价值不在于让所有 XML 处理都变成一段更短的代码，而在于把内存边界交给调用者控制。先用 read() 找到正确的开始节点，再决定是读取字符串、跳过子树、保留 XML 片段，还是只把一个小节点交给 DOM。对于大型 XML 的指定节点提取，这个顺序比先构造完整数组更稳，也更容易解释每一部分内存从哪里来。

XMLReader 为什么会把一个标签处理两次？

因为读取器会经过开始元素和结束元素。给条件增加 nodeType === XMLReader::ELEMENT，就不会把结束标签再次当成记录。

next() 会进入当前节点的子节点吗？

不会。它的作用是跳到下一个节点并跳过当前子树；需要逐层处理嵌套结构时，应继续使用 read() 并自行维护层级。

什么时候应该使用 expand()？

只有当目标子树确实需要 DOM 的查询或修改 API 时才使用。它复制当前节点，适合小范围转换，不适合对大型文档的每个节点都调用。