从Word粘贴+创建XML文档 - >十六进制值0x0C,是无效字符(.Net)

Question

我有一个接受用户HTML输入的网页.使用System.Xml命名空间将输入转换为xml文档,如下所示:

var doc = new XmlDocument();
doc.AppendChild(doc.CreateElement("root"));
doc.DocumentElement.SetAttribute("BodyHTML", theTextBox.Text);

然后System.Xml.Xsl.XslCompiledTransform对数据使用Xsl转换().

用户倾向于使用项目符号,引号等在Microsoft Word中编写文本.粘贴到我的页面时,其文本包含无效字符,如0x0C,0x03等.使用xsl转换时,会出现此错误"十六进制值0x0C,是无效字符".

到目前为止,我的修复方法是消除我发现的令人反感的字符,使用循环和String.Replace:0到31之间的所有字符,除了9,10和13都被替换为String.Empty.

我正在寻找的是一种更好的方法.内置的.Net方法？或者只是一个非法unicode字符的完整列表.

Answer 1

找到两个做同样事情的答案

1. http://seattlesoftware.wordpress.com/2008/09/11/hexadecimal-value-0-is-an-invalid-character/
2. http://www.theplancollection.com/house-plan-related-articles/hexadecimal-value-invalid-character

第一个使用StringBuilder,逐个循环遍历字符并过滤掉非法字符.第二个使用Regex和.Replace来完成同样的事情.两位作者都查看了Xml标准,以找出哪些字符是非法的.

我在一个长字符串上做了一些计时(1.8 MB文件运行1000次)和一个短字符串("Hello world"运行10,000,000次).StringBuilder方法比正则表达式快3倍.正则表达式当然只编译一次,不像我链接的代码.

长串:

CleanInvalidXmlChars time: 00:00:07.4356230
SanitizeXmlString    time: 00:00:02.3703305

短串:

CleanInvalidXmlChars time: 00:00:05.2805834
SanitizeXmlString    time: 00:00:01.8319114