在构造使用数据的XmlReader或XPathDocument之前，如何从基于XML的数据源中删除无效的十六进制字符？-Java 学习之路

在XmlReader中使用它之前，是否有任何简单/通用的方法来清理基于XML的数据源，以便我可以优雅地使用不符合XML上的十六进制字符限制的XML数据？

注意：

该解决方案需要处理使用UTF-8以外的字符编码的XML数据源，例如：通过在XML文档声明中指定字符编码 . 在剥离无效的十六进制字符时，不破坏源的字符编码一直是一个主要的难点 .
删除无效的十六进制字符应仅删除十六进制编码值，因为您经常可以在数据中找到碰巧包含字符串的href值，该字符串将是十六进制字符的字符串匹配 .

背景：

我需要使用符合特定格式的基于XML的数据源（想想Atom或RSS提要），但希望能够使用已发布的数据源，这些数据源包含符合XML规范的无效十六进制字符 .

在.NET中，如果您有一个表示XML数据源的Stream，然后尝试使用XmlReader和/或XPathDocument对其进行解析，则会由于在XML数据中包含无效的十六进制字符而引发异常 . 我目前解决此问题的尝试是将Stream解析为字符串并使用正则表达式删除和/或替换无效的十六进制字符，但我正在寻找更高性能的解决方案 .

13 回答

private static String removeNonUtf8CompliantCharacters( final String inString ) {
    if (null == inString ) return null;
    byte[] byteArr = inString.getBytes();
    for ( int i=0; i < byteArr.length; i++ ) {
        byte ch= byteArr[i]; 
        // remove any characters outside the valid UTF-8 range as well as all control characters
        // except tabs and new lines
        if ( !( (ch > 31 && ch < 253 ) || ch == '\t' || ch == '\n' || ch == '\r') ) {
            byteArr[i]=' ';
        }
    }
    return new String( byteArr );
}

回复于 2024-04-23T20:03:28+08:00

-1

您可以使用以下内容传递非UTF字符：

string sFinalString  = "";
string hex = "";
foreach (char ch in UTFCHAR)
{
    int tmp = ch;
   if ((ch < 0x00FD && ch > 0x001F) || ch == '\t' || ch == '\n' || ch == '\r')
    {
    sFinalString  += ch;
    }
    else
    {  
      sFinalString  += "&#" + tmp+";";
    }
}

回复于 2024-04-23T20:03:28+08:00

-5

试试PHP吧！

$goodUTF8 = iconv("utf-8", "utf-8//IGNORE", $badUTF8);

回复于 2024-04-23T20:03:28+08:00

它是 may not be perfect （重点是因为人们错过了这个免责声明），但我在这种情况下所做的就是下面 . 您可以调整以使用流 .

/// <summary>
/// Removes control characters and other non-UTF-8 characters
/// </summary>
/// <param name="inString">The string to process</param>
/// <returns>A string with no control characters or entities above 0x00FD</returns>
public static string RemoveTroublesomeCharacters(string inString)
{
    if (inString == null) return null;

    StringBuilder newString = new StringBuilder();
    char ch;

    for (int i = 0; i < inString.Length; i++)
    {

        ch = inString[i];
        // remove any characters outside the valid UTF-8 range as well as all control characters
        // except tabs and new lines
        //if ((ch < 0x00FD && ch > 0x001F) || ch == '\t' || ch == '\n' || ch == '\r')
        //if using .NET version prior to 4, use above logic
        if (XmlConvert.IsXmlChar(ch)) //this method is new in .NET 4
        {
            newString.Append(ch);
        }
    }
    return newString.ToString();

}

回复于 2024-04-23T20:03:28+08:00

9
我喜欢Eugene的白名单概念 . 我需要做与原始海报类似的事情，但我需要支持所有Unicode字符，而不仅仅是0x00FD . XML规范是：

Char =＃x9 | #xA | #xD | [＃x20-＃xD7FF] | [＃xE000-＃xFFFD] | [＃x10000-＃x10FFFF]

在.NET中，Unicode字符的内部表示只有16位，因此我们可以明确地使用't `allow' 0x10000-0x10FFFF . XML规范明确禁止出现从0xD800开始的代理代码点 . 但是，如果我们在白名单中使用这些代理代码点，utf-8编码，我们的字符串可能最终会生成有效的XML，只要从utf-16字符的代理对中生成正确的utf-8编码即可 . .NET字符串 . 我没有't explored this though, so I went with the safer bet and didn'允许我的白名单中的代理人 .

虽然Eugene的解决方案中的注释具有误导性，但问题是我们排除的字符在XML中无效......它们是完全有效的Unicode代码点 . 我们不会删除“非utf-8字符” . 我们正在删除可能不会出现在格式良好的XML文档中的utf-8字符 .
```
public static string XmlCharacterWhitelist( string in_string ) {
    if( in_string == null ) return null;

    StringBuilder sbOutput = new StringBuilder();
    char ch;

    for( int i = 0; i < in_string.Length; i++ ) {
        ch = in_string[i];
        if( ( ch >= 0x0020 && ch <= 0xD7FF ) || 
            ( ch >= 0xE000 && ch <= 0xFFFD ) ||
            ch == 0x0009 ||
            ch == 0x000A || 
            ch == 0x000D ) {
            sbOutput.Append( ch );
        }
    }
    return sbOutput.ToString();
}
```
回复于 2024-04-23T20:03:28+08:00

作为删除无效XML字符的方法，我建议您使用XmlConvert.IsXmlChar方法 . 它是从.NET Framework 4开始添加的，也是在Silverlight中呈现的 . 这是一个小样本：

void Main() {
    string content = "\v\f\0";
    Console.WriteLine(IsValidXmlString(content)); // False

    content = RemoveInvalidXmlChars(content);
    Console.WriteLine(IsValidXmlString(content)); // True
}

static string RemoveInvalidXmlChars(string text) {
    char[] validXmlChars = text.Where(ch => XmlConvert.IsXmlChar(ch)).ToArray();
    return new string(validXmlChars);
}

static bool IsValidXmlString(string text) {
    try {
        XmlConvert.VerifyXmlChars(text);
        return true;
    } catch {
        return false;
    }
}

回复于 2024-04-23T20:03:28+08:00

DRY实现this answer的解决方案（使用不同的构造函数 - 随意使用您在应用程序中需要的那个）：

public class InvalidXmlCharacterReplacingStreamReader : StreamReader
{
    private readonly char _replacementCharacter;

    public InvalidXmlCharacterReplacingStreamReader(string fileName, char replacementCharacter) : base(fileName)
    {
        this._replacementCharacter = replacementCharacter;
    }

    public override int Peek()
    {
        int ch = base.Peek();
        if (ch != -1 && IsInvalidChar(ch))
        {
            return this._replacementCharacter;
        }
        return ch;
    }

    public override int Read()
    {
        int ch = base.Read();
        if (ch != -1 && IsInvalidChar(ch))
        {
            return this._replacementCharacter;
        }
        return ch;
    }

    public override int Read(char[] buffer, int index, int count)
    {
        int readCount = base.Read(buffer, index, count);
        for (int i = index; i < readCount + index; i++)
        {
            char ch = buffer[i];
            if (IsInvalidChar(ch))
            {
                buffer[i] = this._replacementCharacter;
            }
        }
        return readCount;
    }

    private static bool IsInvalidChar(int ch)
    {
        return (ch < 0x0020 || ch > 0xD7FF) &&
               (ch < 0xE000 || ch > 0xFFFD) &&
                ch != 0x0009 &&
                ch != 0x000A &&
                ch != 0x000D;
    }
}

回复于 2024-04-23T20:03:28+08:00

现代化dnewcombe's答案，你可以采取一种稍微简单的方法

public static string RemoveInvalidXmlChars(string input)
{
    var isValid = new Predicate<char>(value =>
        (value >= 0x0020 && value <= 0xD7FF) ||
        (value >= 0xE000 && value <= 0xFFFD) ||
        value == 0x0009 ||
        value == 0x000A ||
        value == 0x000D);

    return new string(Array.FindAll(input.ToCharArray(), isValid));
}

或者，与Linq

public static string RemoveInvalidXmlChars(string input)
{
    return new string(input.Where(value =>
        (value >= 0x0020 && value <= 0xD7FF) ||
        (value >= 0xE000 && value <= 0xFFFD) ||
        value == 0x0009 ||
        value == 0x000A ||
        value == 0x000D).ToArray());
}

我很想知道这些方法的性能如何比较，以及它们如何与使用 Buffer.BlockCopy 的黑名单方法进行比较 .

回复于 2024-04-23T20:03:28+08:00

这是dnewcome在自定义StreamReader中的答案 . 它只是包装一个真正的流阅读器，并在阅读时替换它们 .

我只实现了一些方法来节省自己的时间 . 我将它与XDocument.Load和文件流结合使用，只调用了Read（char [] buffer，int index，int count）方法，因此它的工作原理如下 . 您可能需要实现其他方法才能使其适用于您的应用程序 . 我使用这种方法，因为它似乎比其他答案更有效 . 我也只实现了一个构造函数，你显然可以实现你需要的任何StreamReader构造函数，因为它只是一个传递 .

我选择替换字符而不是删除它们，因为它极大地简化了解决方案 . 这样，文本的长度保持不变，因此不需要跟踪单独的索引 .

public class InvalidXmlCharacterReplacingStreamReader : TextReader
{
    private StreamReader implementingStreamReader;
    private char replacementCharacter;

    public InvalidXmlCharacterReplacingStreamReader(Stream stream, char replacementCharacter)
    {
        implementingStreamReader = new StreamReader(stream);
        this.replacementCharacter = replacementCharacter;
    }

    public override void Close()
    {
        implementingStreamReader.Close();
    }

    public override ObjRef CreateObjRef(Type requestedType)
    {
        return implementingStreamReader.CreateObjRef(requestedType);
    }

    public void Dispose()
    {
        implementingStreamReader.Dispose();
    }

    public override bool Equals(object obj)
    {
        return implementingStreamReader.Equals(obj);
    }

    public override int GetHashCode()
    {
        return implementingStreamReader.GetHashCode();
    }

    public override object InitializeLifetimeService()
    {
        return implementingStreamReader.InitializeLifetimeService();
    }

    public override int Peek()
    {
        int ch = implementingStreamReader.Peek();
        if (ch != -1)
        {
            if (
                (ch < 0x0020 || ch > 0xD7FF) &&
                (ch < 0xE000 || ch > 0xFFFD) &&
                ch != 0x0009 &&
                ch != 0x000A &&
                ch != 0x000D
                )
            {
                return replacementCharacter;
            }
        }
        return ch;
    }

    public override int Read()
    {
        int ch = implementingStreamReader.Read();
        if (ch != -1)
        {
            if (
                (ch < 0x0020 || ch > 0xD7FF) &&
                (ch < 0xE000 || ch > 0xFFFD) &&
                ch != 0x0009 &&
                ch != 0x000A &&
                ch != 0x000D
                )
            {
                return replacementCharacter;
            }
        }
        return ch;
    }

    public override int Read(char[] buffer, int index, int count)
    {
        int readCount = implementingStreamReader.Read(buffer, index, count);
        for (int i = index; i < readCount+index; i++)
        {
            char ch = buffer[i];
            if (
                (ch < 0x0020 || ch > 0xD7FF) &&
                (ch < 0xE000 || ch > 0xFFFD) &&
                ch != 0x0009 &&
                ch != 0x000A &&
                ch != 0x000D
                )
            {
                buffer[i] = replacementCharacter;
            }
        }
        return readCount;
    }

    public override Task<int> ReadAsync(char[] buffer, int index, int count)
    {
        throw new NotImplementedException();
    }

    public override int ReadBlock(char[] buffer, int index, int count)
    {
        throw new NotImplementedException();
    }

    public override Task<int> ReadBlockAsync(char[] buffer, int index, int count)
    {
        throw new NotImplementedException();
    }

    public override string ReadLine()
    {
        throw new NotImplementedException();
    }

    public override Task<string> ReadLineAsync()
    {
        throw new NotImplementedException();
    }

    public override string ReadToEnd()
    {
        throw new NotImplementedException();
    }

    public override Task<string> ReadToEndAsync()
    {
        throw new NotImplementedException();
    }

    public override string ToString()
    {
        return implementingStreamReader.ToString();
    }
}

回复于 2024-04-23T20:03:28+08:00

基于正则表达式的方法

public static string StripInvalidXmlCharacters(string str)
{
    var invalidXmlCharactersRegex = new Regex("[^\u0009\u000a\u000d\u0020-\ud7ff\ue000-\ufffd]|([\ud800-\udbff](?![\udc00-\udfff]))|((?<![\ud800-\udbff])[\udc00-\udfff])");
    return invalidXmlCharactersRegex.Replace(str, "");

}

有关详细信息，请参阅我的blogpost

回复于 2024-04-23T20:03:28+08:00

-1

上述解决方案似乎是在转换为XML之前删除无效字符 .

使用此代码从XML字符串中删除无效的XML字符 . 例如 . ＆X1A;

public static string CleanInvalidXmlChars( string Xml, string XMLVersion )
    {
        string pattern = String.Empty;
        switch( XMLVersion )
        {
            case "1.0":
                pattern = @"&#x((10?|[2-F])FFF[EF]|FDD[0-9A-F]|7F|8[0-46-9A-F]9[0-9A-F]);";
                break;
            case "1.1":
                pattern = @"&#x((10?|[2-F])FFF[EF]|FDD[0-9A-F]|[19][0-9A-F]|7F|8[0-46-9A-F]|0?[1-8BCEF]);";
                break;
            default:
                throw new Exception( "Error: Invalid XML Version!" );
        }

        Regex regex = new Regex( pattern, RegexOptions.IgnoreCase );
        if( regex.IsMatch( Xml ) )
            Xml = regex.Replace( Xml, String.Empty );
        return Xml;
    }

http://balajiramesh.wordpress.com/2008/05/30/strip-illegal-xml-characters-based-on-w3c-standard/

回复于 2024-04-23T20:03:28+08:00

由Neolisk above修改的答案或原始答案 .
更改：传递\ 0字符，删除完成，而不是替换 . 另外，使用了XmlConvert.IsXmlChar（char）方法

/// <summary>
    /// Replaces invalid Xml characters from input file, NOTE: if replacement character is \0, then invalid Xml character is removed, instead of 1-for-1 replacement
    /// </summary>
    public class InvalidXmlCharacterReplacingStreamReader : StreamReader
    {
        private readonly char _replacementCharacter;

        public InvalidXmlCharacterReplacingStreamReader(string fileName, char replacementCharacter)
            : base(fileName)
        {
            _replacementCharacter = replacementCharacter;
        }

        public override int Peek()
        {
            int ch = base.Peek();
            if (ch != -1 && IsInvalidChar(ch))
            {
                if ('\0' == _replacementCharacter)
                    return Peek(); // peek at the next one

                return _replacementCharacter;
            }
            return ch;
        }

        public override int Read()
        {
            int ch = base.Read();
            if (ch != -1 && IsInvalidChar(ch))
            {
                if ('\0' == _replacementCharacter)
                    return Read(); // read next one

                return _replacementCharacter;
            }
            return ch;
        }

        public override int Read(char[] buffer, int index, int count)
        {
            int readCount= 0, ch;

            for (int i = 0; i < count && (ch = Read()) != -1; i++)
            {
                readCount++;
                buffer[index + i] = (char)ch;
            }

            return readCount;
        }


        private static bool IsInvalidChar(int ch)
        {
            return !XmlConvert.IsXmlChar((char)ch);
        }
    }

回复于 2024-04-23T20:03:28+08:00

使用此函数删除无效的xml字符 .

public static string CleanInvalidXmlChars(string text)   
{   
       string re = @"[^\x09\x0A\x0D\x20-\xD7FF\xE000-\xFFFD\x10000-x10FFFF]";   
       return Regex.Replace(text, re, "");   
}

回复于 2024-04-23T20:03:28+08:00

在构造使用数据的XmlReader或XPathDocument之前，如何从基于XML的数据源中删除无效的十六进制字符？

13 回答

相关问题