深入解析XML中的字符实体与字符数据

在XML中，字符实体和字符数据是两个非常重要的概念，它们用于在文档中表示一些特殊字符、符号以及非字面字符的内容。这些特殊字符在XML中有特殊的意义，因此必须使用字符实体或字符数据来进行表示，以避免语法冲突或者产生歧义。理解和正确使用字符实体和字符数据，有助于开发人员确保XML文档的正确性和可读性。

1. 字符实体（Character Entities）

字符实体是用于表示某些特殊字符的方式，这些字符在XML中有特定的意义，或者无法直接输入。例如，符号 <、>、&、" 和 ' 等字符在XML中有特定的用途，需要使用字符实体进行表示。

1.1 预定义字符实体

XML定义了一些预定义的字符实体，用于表示特定的字符。以下是常见的预定义字符实体：

<：表示小于符号 <。
>：表示大于符号 >。
&：表示和号 &。
"：表示双引号 "。
'：表示单引号 '。

这些字符实体在XML文档中用于表示具有特殊意义的字符，例如，< 和 > 用于标签的开始和结束，而 & 用于连接实体或作为转义符。因此，不能直接在文档中出现这些字符，否则会导致解析错误或歧义。

1.2 示例：使用字符实体

<book>
    <title>XML &amp; XSLT</title>
    <author>John &lt;Doe&gt;</author>
</book>

在上述例子中，& 被用来表示字符 &，避免它与实体的开始符号产生冲突。
< 和 > 分别表示字符 < 和 >，而不是XML标签。

1.3 自定义字符实体

除了XML预定义的字符实体外，用户也可以定义自定义字符实体。这种做法通常用于替换常用的长字符串或复杂字符，以便提高文档的可读性或便于后期维护。

自定义字符实体的定义一般在XML文档的DOCTYPE部分进行。例如：

<!DOCTYPE note [
    <!ENTITY copyright "© 2025">
]>
<note>
    <content>This document is under &copyright;.</content>
</note>

在这个例子中，&copyright; 是自定义的字符实体，表示符号 ©。

1.4 使用字符实体的必要性

字符实体通常在以下情况下使用：

表示特殊字符，如 <、>、& 等，避免与XML语法冲突。
提高文档可读性，替换一些常用的特殊字符或字符串。
处理外部字符集中的特殊字符，尤其是Unicode字符。

2. 字符数据（Character Data）

字符数据是指XML文档中元素或属性中的文本内容，它代表了不带标签的纯文本数据。字符数据用于存储任何类型的文本内容，包括数字、字母、符号和空格。与字符实体不同，字符数据不会以实体的形式表示特殊字符，除非这些字符需要进行转义。

2.1 CDATA（Character Data）区段

CDATA区段是XML中的一种特殊文本段，它告诉XML解析器“忽略”区段中的特殊字符和实体。这意味着CDATA区段中的所有字符都被视为普通文本，不会被解析器转义或处理。例如，XML中的 < 和 > 在CDATA区段内将被视为普通字符，而不是小于和大于符号。

CDATA区段的语法如下：

<![CDATA[
    This is some <text> with special characters like & and < >.
]]>

在上述例子中，<![CDATA[ 开始标记表示CDATA区域的开始，]]> 是结束标记。在CDATA区段内，<、>和 & 等特殊字符不会被转义。

2.2 CDATA的用途

CDATA常用于以下情况：

包含大量的文本数据：当文本中包含多个特殊字符时，使用CDATA可以避免频繁的字符实体替换。
嵌套的XML数据：如果XML文档中需要嵌入另一个XML文档或代码（如JavaScript），CDATA可以保证其中的符号和结构不被解析器干扰。

例如：

<code>
    <![CDATA[
        var x = 5;
        if (x < 10) {
            console.log("x is less than 10");
        }
    ]]>
</code>

在这个例子中，JavaScript代码被包装在CDATA区段内，XML解析器不会对其中的 < 和 > 符号进行转义。

2.3 字符数据和普通文本

与CDATA不同，XML元素和属性中的普通字符数据会被解析器处理和转义，特殊字符需要使用字符实体。例如：

<message>
    Hello &lt;world&gt;!
</message>

在这个例子中，< 和 > 实际上是字符实体，表示 < 和 >。

2.4 字符数据与空白字符

字符数据中的空白字符（空格、制表符、换行符等）在XML中会被保留。在元素文本中，空白字符的处理方式与其在XML中出现的上下文有关。比如：

<address>
    123 Main Street,
    Suite 100
    New York, NY
</address>

这里的换行符和空格会被XML解析器保留，显示为文本的一部分。空白字符可以在XML中有效地格式化数据，但在解析和传输时应特别注意。

3. 字符实体与字符数据的区别

特性	字符实体	字符数据
定义	用于表示特殊字符，如 `<`、`>`、`&` 等	用于表示文本内容，如数字、字母、符号等
用途	避免特殊字符与XML语法冲突或歧义	存储纯文本内容，包含字面字符
解析行为	会被转义为实际的字符，如 `&` → `&`	被直接作为文本内容存储
CDATA支持	不支持，字符实体会被解析	支持，可以将字符数据包装在CDATA区段中
空白字符处理	不处理空白字符，直接呈现字符	处理空白字符（空格、换行符等）并保留

4. 总结

字符实体：用于表示XML中的特殊字符，如 <、>、&、" 和 ' 等。它们避免了这些字符与XML语法的冲突。可以通过预定义实体、或自定义实体来进行替换。
字符数据：指的是XML文档中元素或属性的普通文本内容。字符数据可以通过CDATA区段来包含原样文本内容，避免解析器转义特殊字符。
CDATA区段：用于保留原始文本数据，其中的特殊字符不会被转义。这对于包含程序代码或文本数据非常有用。
通过合理使用字符实体和字符数据，开发人员可以确保XML文档的正确性，避免语法冲突，同时也能灵活地处理文本内容中的特殊字符。

深入解析XML中的字符实体与字符数据