Apache Xerces-C++ 介绍与选型指南

目标：讲清 Apache Xerces-C++ 是什么、提供哪些解析 API、适合什么场景，并给出与 Xerces-J、libxml2、pugixml 的选型对比依据。文中版本号、编译摘要、样例程序清单均在 Ubuntu 22.04 服务器上实测取得（源码编译 Xerces-C++ 3.3.0 + apt 对照 3.2.3）。

一、环境信息

本文所有实测在以下环境完成，读者复核时可按相同配置搭建。

• 操作系统：Ubuntu 22.04（GNU/Linux x86_64）
• 编译器：gcc/g++ 11.4.0（Ubuntu 11.4.0-1ubuntu1~22.04.3）
• 构建工具：cmake 3.22.1
• 主角版本：Xerces-C++ 3.3.0（官方源码包 xerces-c-3.3.0.tar.gz，7,568,765 字节，sha256 前缀 9555f1d0）
• 对照版本：Ubuntu 22.04 仓库 libxerces-c-dev 3.2.3+debian-3ubuntu0.1
• 源码包官方地址：https://dlcdn.apache.org/xerces/c/3/sources/xerces-c-3.3.0.tar.gz

实测取得的版本证据如下。先在官网确认 3.3.0 为当前稳定版，再下载校验：

curl -s https://xerces.apache.org/xerces-c/ | grep -oE "Xerces-C\+\+ [0-9.]+"
curl -s -o xerces-c-3.3.0.tar.gz https://dlcdn.apache.org/xerces/c/3/sources/xerces-c-3.3.0.tar.gz
sha256sum xerces-c-3.3.0.tar.gz

实测输出（Ubuntu 22.04 服务器）：

Xerces-C++ 3.3.0
9555f1d06f82987fbb4658862705515740414fd34b4db6ad2ed76a2dc08d3bde  xerces-c-3.3.0.tar.gz

apt 仓库侧的对照版本（同一台服务器实测）：

$ apt-cache policy libxerces-c-dev
libxerces-c-dev:
  Installed: (none)
  Candidate: 3.2.3+debian-3ubuntu0.1
  Version table:
     3.2.3+debian-3ubuntu0.1 500
        500 http://archive.ubuntu.com/ubuntu jammy-updates/universe amd64 Packages
        500 http://security.ubuntu.com/ubuntu jammy-security/universe amd64 Packages

关键差异解读：官网最新稳定版为 3.3.0（仅源码分发，无 Linux 官方二进制包）；Ubuntu 22.04 仓库停留在 3.2.3+debian，比官方最新版落后一个版本，且库接口版本不同（3.3.0 的库文件为 libxerces-c-3.3.so，3.2.3 为 libxerces-c-3.2.so）。选型时要意识到这条版本差，具体编译安装见《Apache Xerces-C++ 在 Ubuntu 22.04 集成使用指南》。

二、软件概述

Xerces-C++ 是 Apache 软件基金会官方的 XML 校验解析器，用「可移植的 C++ 子集」编写（刻意少用模板、少用 #ifdef，便于移植到各类平台与老编译器）。它以共享库的形式提供 XML 文档的解析、生成、操作与校验能力，暴露 DOM、SAX、SAX2 三套编程 API。

本节信息全部来自官网首页原文（xerces.apache.org/xerces-c/，2026-10 抓取），要点如下：

• 定位：faithful to the XML 1.0 recommendation and many associated standards——严格遵循 XML 1.0 推荐标准及多项关联标准；
• 交付形态：3.3.0 仅提供源码分发（"available as a source distribution only"），无官方 Linux 二进制包；
• 许可证：Apache Software License, Version 2.0；
• 旧版本警示：Xerces 2.8.0 及更早版本 100% 不再支持（"100% unsupported"），仍在使用的应用应迁移到 3.x；
• 维护状态警示（选型必读）：官网明示 "Xerces-C++ currently lacks active maintainers and therefore may not be able to promptly address all bugs and security risks"——当前缺乏活跃维护者，bug 与安全风险的修复可能不及时。这意味着选型时需自行评估安全兜底能力（如订阅 c-dev 邮件列表、准备本地补丁能力）。

2.1 版本线与命名辨析

Xerces 家族容易混淆，实测官网口径整理如下：

💡 技术拓展：C++ 标准库里没有 XML 解析器，因此「解析器库选型」是 C++ 工程的必答题。同类主流选项一览见第六章对比表；此处先给一句话结论——Xerces-C++ 是「校验能力最全、标准遵循最严」的一档，代价是库体积与内存占用偏大。

三、核心架构

3.1 解析 API 体系：SAX / SAX2 / DOM

Xerces-C++ 对外提供三套 API，实测 3.3.0 源码头文件目录与三者一一对应（/usr/local/include/xercesc/ 下实测目录为 dom、framework、internal、parsers、sax、sax2、util、validators、xinclude）：

💡 技术拓展：XML 解析的两大流派是「推送式（Push）」与「拉取式（Pull）」。SAX 是推送式——解析器边读边把 startElement/characters/endElement 事件推给你的 Handler，程序被动接事件，内存占用小但写法是回调式的；拉取式（如 StAX 之于 Java、pugixml 的迭代风格）由程序主动向解析器要下一个事件，控制流更直观。Xerces-C++ 主体是推送式 SAX + 全量 DOM；另外它还有一个渐进解析入口（扫描到目标即停），实测样例 PParse 就是用 scanFirst()/scanNext() 演示"读到 16 个元素就退出"的能力。

3.2 两大解析器入口与校验管线

按 API 选择解析器类：SAX2 用 SAX2XMLReader（由工厂 XMLReaderFactory::createXMLReader() 创建），DOM 用 XercesDOMParser（另有 DOM Level 3 的 DOMLSParser）。两者共用同一套校验内核（validators/ 目录），支持 DTD 与 XML Schema（XSD）两种校验方式，校验开关通过 setFeature（特性，布尔开关）与 setProperty（属性，值型配置）控制——全部参数逐项实测见《Apache Xerces-C++ 3.3.0 配置参数详解》。

内置字符串类型是理解这套库的第一道门槛：Xerces-C++ 内部统一用 XMLCh 存储字符，3.x 里 XMLCh 就是 C++11 的 char16_t（UTF-16 编码单元）。因此 API 出入参都是 const XMLCh*，与 char* 之间必须用 XMLString::transcode()/release() 显式互转，这也是编译期最常见的报错来源。实测在 3.3.0 下把 char* 直接传给 getFeature() 的编译报错（节选）：

error: cannot convert 'char*' to 'const XMLCh*' {aka 'const char16_t*'}
  135 |     virtual bool getFeature(const XMLCh* const name) const = 0;

完整转码写法与陷阱（release 必须成对、否则内存泄漏）在《Apache Xerces-C++ 在 Ubuntu 22.04 集成使用指南》有逐行实测。

3.3 平台适配层：可插拔组件

源码 CMake 配置摘要（Ubuntu 22.04 实测）显示 Xerces-C++ 内部有四个可插拔平台组件，均可通过 CMake 选项替换：

-- Xerces-C++ configuration summary
-- --------------------------------
--
--   Version:                   3.3.0
--   Library interface version: 3.3
--
--   Installation directory:    /usr/local
--   C compiler:                /usr/bin/cc
--   C++ compiler:              /usr/bin/c++
--
--   Build shared libraries:    ON
--   Path delimiters:           "/"
--   File Manager:              POSIX
--   Mutex Manager:             standard
--   Transcoder:                gnuiconv
--   NetAccessor:               socket
--   Message Loader:            inmemory
--   XMLCh type:                char16_t

• Transcoder（转码器）：外部编码 ↔ UTF-16 的转换实现。默认 gnuiconv（glibc iconv），可选 iconv、icu（需 ICU 库）等；
• Message Loader（消息加载器）：错误消息文本来源。默认 inmemory（编译进库，开箱即用），可选 iconv（运行期读 .cat 目录文件）、msgcatalog（系统 catopen/gettext 类目录）。实测把 message-loader 换成 iconv 后库能编译安装，但运行时因找不到 XercesMessages_en_US.cat 直接退出（Cannot load message domain，exit=255）——生产环境保持默认 inmemory 最稳；
• NetAccessor（网络访问器）：解析时拉取远程 DTD/Schema 的实现，默认 socket，可关（-Dnetwork=OFF）或换 curl；
• File Manager / Mutex Manager：文件访问与互斥锁实现，Linux 上默认 POSIX/standard，一般不动。

这四个组件的 CMake 选项逐项实测与换装代价见《Apache Xerces-C++ 3.3.0 配置参数详解》。

3.4 同一文档在 SAX2 与 DOM 下的实测行为差异

为直观对比两套 API，用同一个 notes.xml（2 个 note 子元素、共 9 个元素节点、2 个属性）分别跑自写的 SAX2 计数程序与 DOM 遍历程序（完整源码与编译见《Apache Xerces-C++ 在 Ubuntu 22.04 集成使用指南》）：

./sax2_count notes.xml   # SAX2 事件流计数
./dom_parse notes.xml    # DOM 建树后遍历

实测输出：

$ ./sax2_count notes.xml
elements=9 attributes=2 characters=89

$ ./dom_parse notes.xml
root element: notes
note count: 2
note[0] id=1 to=Alice
note[1] id=2 to=Carol

行为差异一目了然：SAX2 只给"事件账本"（9 个元素、2 个属性、89 个字符），不保留任何结构，程序退出即释放；DOM 则保留整棵树，程序可以按任意顺序随机访问（本例按 id 取属性、按子元素名取文本）。格式不良文档在两种 API 下的报错位置也完全一致（行 6 列 3 的未闭合标签），说明两者共用同一套扫描与校验内核。

另一个实测细节是库的运行时绑定：编译产物只依赖一个 Xerces 库文件，ldd 实测：

$ ldd ./sax2_count | grep xerces
        libxerces-c-3.3.so => /usr/local/lib/libxerces-c-3.3.so (0x0000715221a6f000)

单一共享库、无强制 ICU 等第三方依赖，这使 Xerces-C++ 在部署面（拷贝一个 .so）上比很多重型 C++ 库更简单。

四、功能特性

以下特性清单来自官网原文，并标注本文实测情况：

实测中的校验行为示例（SAX2 + 外部 XSD，Ubuntu 22.04）：对 <age>thirty</age> 的实例文档校验，自定义 ErrorHandler 捕获到：

ERROR | /root/xtest/employee_bad.xml:5:20 | value 'thirty' does not match regular expression facet '[+\-]?[0-9]+'
parse done: warnings=0 errors=1 fatals=0

而格式不良文档（未闭合标签）触发 fatalError 并中断解析：

FATAL | /root/xtest/bad1.xml:6:3 | expected end of tag 'body'
parse aborted by fatalError: warnings=0 errors=5 fatals=1

两者的分级语义（error 不中断、fatalError 默认中断、可配 continue-after-fatal-error 继续）在配置参数详解篇有逐项开关实测。

4.1 随源码分发的样例程序清单

3.3.0 源码包自带 16 个样例程序，实测 make 后全部编译成功并随 make install 落到 /usr/local/bin：

CreateDOMDocument  DOMCount  DOMPrint  EnumVal  MemParse
PParse  PSVIWriter  Redirect  SAX2Count  SAX2Print
SAXCount  SAXPrint  SCMPrint  SEnumVal  StdInParse  XInclude

这组样例既是官方用法示范，也是一套现成的命令行 XML 工具（SAXCount 数元素、DOMPrint 格式化输出、SEnumVal 枚举 Schema 组件等），逐参数实测见《Apache Xerces-C++ 常用 CLI 命令与工具详解》。

4.2 官方样例工具的即战力实测

把样例当 CLI 工具用是 Xerces-C++ 的隐藏福利。同一份带 DTD 的 personal.xml（37 元素、12 属性），几个典型工具的实测输出：

$ SAXCount -v=always personal.xml
personal.xml: 1 ms (37 elems, 12 attrs, 134 spaces, 134 chars)

$ DOMCount -v=always -s -n personal-schema.xml
personal-schema.xml: 1 ms (37 elems).

$ DOMPrint -wenc=UTF-8 -wfpp=on personal.xml      # 前 5 行
<?xml version="1.0" encoding="UTF-8" standalone="no" ?>
<!DOCTYPE personnel SYSTEM "personal.dtd">
<!-- @version: -->
<personnel>

  <person id="Big.Boss">

$ MemParse    # 内存缓冲解析 + DTD 内联校验
Parsing took 0 ms (4 elements, 1 attributes, 16 spaces, 95 characters).

实测观察：小文件解析均在毫秒级；SAXCount/DOMCount 统计口径不同（DOMCount 只数元素）；DOMPrint 自带 pretty-print 与输出编码切换。这也侧面验证了架构章的说法——所有样例共用同一校验内核，只是 Handler 侧形态不同。

4.3 多版本共存实测（3.3.0 与 3.2.3 并行）

在同一台 Ubuntu 22.04 上实测「源码版 3.3.0（/usr/local）+ 仓库版 3.2.3（apt）」共存，动态链接器同时注册两个 soname：

$ ldconfig -p | grep -i xerces
        libxerces-c-3.3.so (libc6,x86-64) => /usr/local/lib/libxerces-c-3.3.so
        libxerces-c-3.2.so (libc6,x86-64) => /lib/x86_64-linux-gnu/libxerces-c-3.2.so

但头文件与库必须严格同版本：Xerces-C++ 的 C++ 符号命名空间带版本号（xercesc_3_3/xercesc_3_2），实测用 3.3 头文件编译、错误地链接到 3.2 库时，直接产生大量 undefined reference to xercesc_3_3::... 链接错误；按正确姿势（独立前缀 + pkg-config 指定路径）两版程序可各自编译运行。完整实测矩阵与正确做法见《Apache Xerces-C++ 在 Ubuntu 22.04 集成使用指南》的多版本共存一节。

五、适用场景与限制

适合选 Xerces-C++ 的场景（官网 "Applications of the Xerces Parser" 原文 + 实测补充）：

• 需要严格校验的 XML 处理：DTD + XML Schema 双校验、full schema constraint checking 开关，适合电子数据交换、报表规范、配置校验；
• 国际化应用：内置多编码转码（UTF-8/UTF-16/ISO8859-1/GBK 等经转码器支持）、XMLCh 统一 UTF-16 内部表示；
• 需要 DOM 读写回写：DOM L3 Load and Save 支持解析后修改再序列化；
• 跨平台 C++ 项目：官方覆盖 Linux/Windows/macOS 等多平台，源码可移植性是设计目标；
• 与 Xerces-J 保持 API 同构：同一套 XML 处理逻辑要在 Java 与 C++ 服务间对齐心智成本最低（类名、异常、feature URI 基本一致）。

限制与代价（选型前必须接受）：

• 维护状态：官网明示缺乏活跃维护者，安全修复不及时的风险需自行兜底；
• 体积与内存：动态库实测 5.1 MB（libxerces-c-3.3.so 5,163,280 字节），DOM 建树内存与文档大小成正比，大文件场景不如流式方案友好；
• 仅源码分发：3.3.0 无官方 Linux 二进制包，发行版仓库版本通常滞后（Ubuntu 22.04 为 3.2.3+debian），需要自编译能力；
• XMLCh 类型摩擦：所有 API 用 char16_t，与 std::string 生态对接都要转码，工程里容易写漏 release 造成泄漏；
• 错误消息本地化：默认 inmemory 消息加载器输出英文消息，切换本地化消息目录有额外部署成本（实测 iconv 目录文件未随 install 就位导致运行失败）。

六、同类选型对比

C++ XML 解析器主流可选项如下表（均为业界常见实现，实测数据栏为本文在 Ubuntu 22.04 的实测值）：

💡 技术拓展：上表「校验能力」一栏是选型分水岭——良构（well-formed）只保证语法合法（标签闭合、嵌套正确），有效（valid）才保证符合 DTD/XSD 声明的结构与数据类型。expat/pugixml 面向良构，Xerces-C++/libxml2 面向有效；业务要求"age 必须是整数、id 必填"这类规则时就只能选后者。

关键差异与选型建议（结合实测）：

1. C++ 技术栈 + 重校验（B2B 数据交换、行业标准报文、XML 编辑器内核）→ Xerces-C++：校验最全、标准遵循最严，本文实测其 XSD 数据类型校验可精确报出 regular expression facet 级错误与行列号；
2. C 技术栈或系统级组件（GNOME 生态、需要 RelaxNG/Schematron）→ libxml2：能力同样完整且是发行版自带依赖，但 API 是 C 风格，C++ 工程封装成本略高；
3. 只读配置文件、追求轻快 → pugixml：无校验负担，全树解析性能强、集成成本最低；
4. Java 服务 → Xerces-J（JDK 内置解析器的底层实现之一），与 C++ 侧 Xerces-C++ 保持概念一致；
5. 嵌入式/超大文件纯流式 → expat 或 Xerces-C++ 的 SAX2（本文实测 SAX2 解析仅计数场景内存恒定）。

与 Xerces-J 的对照（同项目并行实现，选型时关注差异面）：

一句话结论：两套 Xerces 是"同名不同姓"的孪生 API，feature/property 的 URI 字符串几乎通用，团队若双栈并存，参数经验可以直接复用；差异集中在内存与字符串模型上，这也是 C++ 侧迁移成本的主要来源。

七、参考链接

• Xerces-C++ 官网与最新版本公告：https://xerces.apache.org/xerces-c/
• 官方下载页（含源码包与校验）：https://xerces.apache.org/xerces-c/download.cgi
• 官方编程指南（DOM/SAX2/校验）：https://xerces.apache.org/xerces-c/program-3.html
• Apache Xerces 项目总览（含 Xerces-J）：https://xerces.apache.org/
• 本文配套实测篇：《Apache Xerces-C++ 在 Ubuntu 22.04 集成使用指南》《Apache Xerces-C++ 3.3.0 配置参数详解》《Apache Xerces-C++ 常用 CLI 命令与工具详解》