XML中的字符无效

Question

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？

Answer 1

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提供的答案XML中的无效字符仍然有效,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

• 参考:参见XML建议1.0,§2.2字符

允许字符的全局列表是:

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

1.2.在XML 1.1中

• 参考:请参阅XML建议1.1,§2.2字符和1.3基本原理以及XML 1.1的更改列表

允许字符的全局列表是:

[2] Char ::= [#x1-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF] /* any Unicode character, excluding the surrogate blocks, FFFE, and FFFF. */

[2a] RestrictedChar ::= [#x1-#x8] | [#xB-#xC] | [#xE-#x1F] | [#x7F-#x84] | [#x86-#x9F]

这个XML建议的修订扩展了允许的字符,因此允许控制字符,并考虑到Unicode标准的新版本,但仍然不允许这些: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(以获得格式良好的文档):

在<必须使用转义<实体,因为它被认为是一个标签的开始.

在&必须使用转义&实体,因为它被认为是开始一个实体引用

该>应进行转义>实体.它不是强制性的 - 它取决于上下文 - 但强烈建议逃避它.

本'应该用转义'实体-在单引号内定义的属性强制性的,但它强烈建议总是逃避它.

本"应该用转义"实体-在双引号内定义的属性强制性的,但它强烈建议总是逃避它.

Answer 2

有效字符列表在XML规范中:

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

Answer 3

唯一的非法字符&,<并且>(和"或'在属性).

他们使用逃脱XML实体,在你想这种情况下&的&.

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.

Answer 4

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, ""); 
}

Answer 5

预先声明的字符是:

& < > " '

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

Answer 6

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)

Answer 7

在 C# 中删除不正确 XML 字符的另一种方法是使用XmlConvert.IsXmlChar（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

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）都错过了它并静默输出无效的 XML。

Answer 8

除了potame的答案之外，如果您确实想使用CDATA块进行转义。

如果将文本放在CDATA块中，则无需使用转义。在这种情况下，您可以使用以下范围内的所有字符：

注意：最重要的是，不允许使用]]>字符序列。因为它将与CDATA块的末尾匹配。

如果仍然有无效字符（例如控制字符），那么最好使用某种编码（例如base64）。