首页 文章

XML中的字符无效

提问于
浏览 次
192

我目前正在处理一些XML .

我有节点，如下所示：

<node>This is a string</node>

我传递给节点的一些字符串将包含＆，＃，$等字符 .

<node>This is a string & so is this</node>

这是因为＆

我无法将这些字符串包装在CDATA中，因为它们需要保持原样 . 我试过在线查找一些字符列表，这些字符无法放入XML节点而不是CDATA .

任何人都可以指向一个方向或向我提供非法字符列表吗？

xml illegal-characters

15 回答

  • 0

    唯一的非法字符是 & ， < 和 > （以及属性中的 " 或 ' ） .

    它们使用XML entities进行转义，在这种情况下，您希望 & 为 & .

    但实际上，你应该使用一个为你编写XML的工具或库，并为你抽象出这种东西，这样你就不用担心了 .

    回复于
  • 7

    好的，让我们将（1）任何XML文档中完全无效的字符和（2）需要转义的字符分开：

    @dolmen Invalid Characters in XML提供的答案仍然有效，但需要使用XML 1.1规范进行更新 .

    1.无效字符

    此处描述的字符是允许插入XML文档的所有字符 .

    1.1.在XML 1.0中

    允许字符的全局列表是：

    [2] Char :: =＃x9 | #xA | #xD | [＃x20-＃xD7FF] | [＃xE000-＃xFFFD] | [＃x10000-＃x10FFFF] / *任何Unicode字符，不包括代理块，FFFE和FFFF . * /

    基本上，不允许使用Unicode范围之外的控制字符和字符 . 这也意味着禁止调用例如字符实体 &#x3; .

    1.2.在XML 1.1中

    允许字符的全局列表是：

    [2] Char :: = [＃x1-＃xD7FF] | [＃xE000-＃xFFFD] | [＃x10000-＃x10FFFF] / *任何Unicode字符，不包括代理块，FFFE和FFFF . * / [2a] RestrictedChar :: = [＃x1-＃x8] | [＃xB-＃xC] | [＃xE-＃x1F] | [＃x7F-＃x84] | [＃x86的＃x9F]

    XML修订版的这一修订扩展了允许的字符，因此允许控制字符，并考虑到Unicode标准的新修订版，但仍然不允许使用这些版本： NUL (x00) ， xFFFE ， xFFFF ...

    但是，不鼓励使用控制字符和未定义的Unicode char .

    还可以注意到，所有解析器并不总是考虑到这一点，并且可能拒绝具有控制字符的XML文档 .

    2.需要转义的字符（以获取格式正确的文档）：

    < 必须使用 &lt; 实体进行转义，因为它被假定为标记的开头 .

    & 必须使用 &amp; 实体进行转义，因为它假定为实体引用的开头

    应使用 &gt; 实体转义 > . 它不是强制性的 - 它取决于上下文 - 但强烈建议逃避它 .

    ' 应该使用 &apos; 实体进行转义 - 在单引号中定义的属性中必须使用 - 但强烈建议始终对其进行转义 .

    " 应该使用 &quot; 实体进行转义 - 在双引号内定义的属性中是必需的，但强烈建议始终将其转义 .

    回复于
  • 17

    有效字符列表位于XML specification中：

    Char       ::=      #x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]  /* any Unicode character, excluding the surrogate blocks, FFFE, and FFFF. */
    回复于
  • 127

    这是一个C＃代码，用于从字符串中删除XML无效字符并返回新的有效字符串 .

    public static string CleanInvalidXmlChars(string text) 
{ 
    // From xml spec valid chars: 
    // #x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]     
    // any Unicode character, excluding the surrogate blocks, FFFE, and FFFF. 
    string re = @"[^\x09\x0A\x0D\x20-\uD7FF\uE000-\uFFFD\u10000-\u10FFFF]"; 
    return Regex.Replace(text, re, ""); 
}
    回复于
  • 57

    预先声明的字符是：

    & < > " '

    http://xml.silmaril.ie/specials.html

    回复于
  • 5

    另一种在C＃中逃避可能不需要的XML / XHTML字符的简单方法是：

    WebUtility.HtmlEncode(stringWithStrangeChars)
    回复于
  • -3

    除了potame的答案，如果你想要使用CDATA块逃脱 .

    如果你把你的文字 in a CDATA block then you don't need to use escaping . 在这种情况下，您可以使用 all characters in the following range ：

    graphical representation of possible characters

    注意：除此之外，您不能使用 ]]> 字符序列 . 因为它会匹配CDATA块的末尾 .

    如果仍然存在无效字符（例如控制字符），则可能最好使用某种编码（例如base64） .

    回复于
  • 168

    使用XmlConvert.IsXmlChar Method删除C＃中不正确的XML字符的另一种方法（自.NET Framework 4.0起可用）

    public static string RemoveInvalidXmlChars(string content)
{
   return new string(content.Where(ch => System.Xml.XmlConvert.IsXmlChar(ch)).ToArray());
}

    或者您可以检查所有字符是否都是XML有效的 .

    public static bool CheckValidXmlChars(string content)
{
   return content.All(ch => System.Xml.XmlConvert.IsXmlChar(ch));
}

    .Net小提琴 - https://dotnetfiddle.net/v1TNus

    例如，垂直选项卡symbol（\ v）对XML无效，它是有效的UTF-8，但不是有效的XML 1.0，甚至许多库（包括libxml2）都会错过它并静默输出无效的XML .

    回复于
  • 1

    这个答案对我有用

    string code = Regex.Replace(item.Code, @"[\u0000-\u0008,\u000B,\u000C,\u000E-\u001F]", "");

    详情link to Blog

    回复于
  • 1

    对于Java人员，Apache有一个实用程序类（StringEscapeUtils），它有一个辅助方法escapeXml，可用于使用XML实体转义字符串中的字符 .

    回复于
  • 176

    在Woodstox XML处理器中，无效字符按此代码分类

    if (c == 0) {
    throw new IOException("Invalid null character in text to output");
}
if (c < ' ' || (c >= 0x7F && c <= 0x9F)) {
    String msg = "Invalid white space character (0x" + Integer.toHexString(c) + ") in text to output";
    if (mXml11) {
        msg += " (can only be output using character entity)";
    }
    throw new IOException(msg);
}
if (c > 0x10FFFF) {
    throw new IOException("Illegal unicode character point (0x" + Integer.toHexString(c) + ") to output; max is 0x10FFFF as per RFC");
}
/*
 * Surrogate pair in non-quotable (not text or attribute value) content, and non-unicode encoding (ISO-8859-x,
 * Ascii)?
 */
if (c >= SURR1_FIRST && c <= SURR2_LAST) {
    throw new IOException("Illegal surrogate pair -- can only be output via character entities, which are not allowed in this content");
}
throw new IOException("Invalid XML character (0x"+Integer.toHexString(c)+") in text to output");

    来自here

    回复于
  • 0
    ampersand (&) is escaped to &amp;

double quotes (") are escaped to &quot;

single quotes (') are escaped to &apos; 

less than (<) is escaped to &lt; 

greater than (>) is escaped to &gt;

    在C＃中，使用System.Security.SecurityElement.Escape或System.Net.WebUtility.HtmlEncode来转义这些非法字符 .

    string xml = "<node>it's my \"node\" & i like it 0x12 x09 x0A  0x09 0x0A <node>";
string encodedXml1 = System.Security.SecurityElement.Escape(xml);
string encodedXml2= System.Net.WebUtility.HtmlEncode(xml);


encodedXml1
"&lt;node&gt;it&apos;s my &quot;node&quot; &amp; i like it 0x12 x09 x0A  0x09 0x0A &lt;node&gt;"

encodedXml2
"&lt;node&gt;it&#39;s my &quot;node&quot; &amp; i like it 0x12 x09 x0A  0x09 0x0A &lt;node&gt;"
    回复于
  • 2

    有人试过这个 System.Security.SecurityElement.Escape(yourstring) ？这将用有效的等效字符替换字符串中的无效XML字符

    回复于
  • 1

    总之，文本中的有效字符是：

    • 标签，换行和回车;

    • 所有非控制字符均有效 except ＆和<;
      如果遵循]]，则

    • 无效 .

    XML规范的2.2和2.4节提供了详细的答案：

    Characters

    合法字符包括制表符，回车符，换行符以及Unicode和ISO / IEC 10646的合法字符

    Character data

    ＆符号（＆）和左尖括号（<）不得以其文字形式出现，除非用作标记分隔符，或用于注释，处理指令或CDATA部分 . 如果在其他地方需要它们，则必须使用数字字符引用或字符串“＆”和“<”分别进行转义 . 右尖括号（>）可以使用字符串“>”表示，并且为了兼容性，当它出现在字符串“]]>”内容中时，必须使用“>”或字符引用进行转义 . string不标记CDATA部分的结尾 .

    回复于
  • 2

    对于XSL（在非常懒惰的日子里），我使用：

    capture="&amp;(?!amp;)" capturereplace="&amp;amp;"

    翻译所有未签署的＆-signs;适当的 .

    我们有输入在CDATA中的情况，但使用XML的系统不考虑它 . 这是一个草率的修复，要小心......

    回复于

相关问题