47

有效 XML 字符的列表是众所周知的，如规范所定义的那样：

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

我的问题是，是否可以通过使用 Unicode 通用类别，在不实际硬编码代码点的情况下为此（或其逆）创建 PCRE 正则表达式。逆可能类似于 [\p{Cc}\p{Cs}\p{Cn}]，除了不正确地覆盖换行符和制表符并遗漏了一些其他无效字符。

4

6 回答 6

93

我知道这并不完全是您问题的答案，但在这里提供它会有所帮助：

匹配有效XML 字符的正则表达式：

[\u0009\u000a\u000d\u0020-\uD7FF\uE000-\uFFFD]

因此，要从 XML 中删除无效字符，您需要执行类似的操作

// filters control characters but allows only properly-formed surrogate sequences
private static Regex _invalidXMLChars = new Regex(
    @"(?<![\uD800-\uDBFF])[\uDC00-\uDFFF]|[\uD800-\uDBFF](?![\uDC00-\uDFFF])|[\x00-\x08\x0B\x0C\x0E-\x1F\x7F-\x9F\uFEFF\uFFFE\uFFFF]",
    RegexOptions.Compiled);

/// <summary>
/// removes any unusual unicode characters that can't be encoded into XML
/// </summary>
public static string RemoveInvalidXMLChars(string text)
{
    if (string.IsNullOrEmpty(text)) return "";
    return _invalidXMLChars.Replace(text, "");
}

我有我们常驻的正则表达式/XML 天才，他在 4,400 多个赞成的帖子中，检查了这个，他在上面签字。

于 2009-06-07T08:30:38.443 回答
6

对于在UTF-16内部存储代码点的系统，通常对 0xFFFF 以上的代码点使用代理对 (xD800-xDFFF)，在这些系统中，您必须验证您是否真的可以使用例如 \u12345 或必须将其指定为代理对。（我刚刚发现在 C# 中，您可以使用\u1234（16 位）和 \U00001234（32 位））

根据微软的说法， “W3C 建议不允许在元素或属性名称中使用代理字符。” 在搜索 W3s 网站时，我发现了可能感兴趣的C079和C078 。

于 2008-12-29T07:32:07.593 回答
6

我在java中试过这个并且它有效：

private String filterContent(String content) {
    return content.replaceAll("[^\\u0009\\u000a\\u000d\\u0020-\\uD7FF\\uE000-\\uFFFD]", "");
}

谢谢杰夫。

于 2012-02-19T16:57:22.077 回答
3

如果 xml 中存在十六进制代码，上述解决方案对我不起作用。例如

<element>&#x8;</element>

以下代码会中断：

string xmlFormat = "<element>{0}</element>";
string invalid = " &#x8;";
string xml = string.Format(xmlFormat, invalid);
xml = Regex.Replace(xml, @"[\x01-\x08\x0B\x0C\x0E\x0F\u0000-\u0008\u000B\u000C\u000E-\u001F]", "");
XDocument.Parse(xml);

它返回：

XmlException : ''，十六进制值 0x08，是无效字符。第 1 行，第 14 位。

以下是改进的正则表达式并修复了上述问题：

&#x([0-8BCEFbcef]|1[0-9A-Fa-f]);|[\x01-\x08\x0B\x0C\x0E\x0F\u0000-\u0008\u000B\u000C\u000E-\ u001F]

这是前 300 个 unicode 字符的单元测试，并验证仅删除了无效字符：

[Fact]
        public void validate_that_RemoveInvalidData_only_remove_all_invalid_data()
        {
            string xmlFormat = "<element>{0}</element>";
            string[] allAscii = (Enumerable.Range('\x1', 300).Select(x => ((char)x).ToString()).ToArray());
            string[] allAsciiInHexCode = (Enumerable.Range('\x1', 300).Select(x => "&#x" + (x).ToString("X") + ";").ToArray());
            string[] allAsciiInHexCodeLoweCase = (Enumerable.Range('\x1', 300).Select(x => "&#x" + (x).ToString("x") + ";").ToArray());

            bool hasParserError = false;
            IXmlSanitizer sanitizer = new XmlSanitizer();

            foreach (var test in allAscii.Concat(allAsciiInHexCode).Concat(allAsciiInHexCodeLoweCase))
            {
                bool shouldBeRemoved = false;
                string xml = string.Format(xmlFormat, test);
                try
                {
                    XDocument.Parse(xml);
                    shouldBeRemoved = false;
                }
                catch (Exception e)
                {
                    if (test != "<" && test != "&") //these char are taken care of automatically by my convertor so don't need to test. You might need to add these.
                    {
                        shouldBeRemoved = true;
                    }
                }
                int xmlCurrentLength = xml.Length;
                int xmlLengthAfterSanitize = Regex.Replace(xml, @"&#x([0-8BCEF]|1[0-9A-F]);|[\u0000-\u0008\u000B\u000C\u000E-\u001F]", "").Length;
                if ((shouldBeRemoved && xmlCurrentLength == xmlLengthAfterSanitize) //it wasn't properly Removed
                    ||(!shouldBeRemoved && xmlCurrentLength != xmlLengthAfterSanitize)) //it was removed but shouldn't have been
                {
                    hasParserError = true;
                    Console.WriteLine(test + xml);
                }
            }
            Assert.Equal(false, hasParserError);
        }
于 2017-05-14T07:45:57.063 回答
2

使用XmlConvert.IsXmlChar 方法删除 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，垂直制表符 (\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）都错过了它并默默地输出无效的 XML。

于 2018-02-20T19:59:00.540 回答
0

在 PHP 中，正则表达式如下所示：

protected function isStringValid($string)
{
    $regex = '/[^\x{9}\x{a}\x{d}\x{20}-\x{D7FF}\x{E000}-\x{FFFD}\x{10000}-\x{10FFFF}]+/u';

    return (preg_match($regex, $string, $matches) === 0);
}

这将处理xml 规范中的所有 3 个范围：

#x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]
于 2020-11-03T11:45:49.057 回答