XML UTF-8 编码检查

Question

我有一个这样的 XML 结构，一些学生项目包含无效的 UTF-8 字节序列，这可能导致整个 XML 文档的 XML 解析失败。

我想要做的是，过滤掉包含 UTF-8 字节序列的 Student 项目，并保留有效的字节序列。有关如何在 .Net 中执行此操作的任何建议或示例（首选 C#）？

顺便说一句：我的意思是无效的字节序列 => http://en.wikipedia.org/wiki/UTF-8#Invalid_byte_sequences

<?xml version="1.0" encoding="utf-8"?>
<AllStudents>
  <Student>
    Mike
  </Student>
  <Student>
    (Invalid name here)
  </Student>  
</AllStudents>

提前致谢， 乔治

Answer 1

这很难做到。您不会让 XML 解析器解析包含无效字符的文档，因此我认为您的选择只有几个：

1. 找出编码错误的原因 - 一个常见问题是当文档实际上是用 Latin-1 编写时，将文档标记为 UTF-8（或没有编码声明）。
2. 用手取出坏的部分。
3. 尝试找到一个用于 .NET 的 tag soup 解析器，它会在出错后继续解析。
4. 拒绝无效的 XML 文档。

Answer 2

我不懂C#，所以恐怕我不能给你代码来做这个，但基本的想法是把整个文件作为一个utf-8文本文件读取，使用DecoderFallback用问号字符或 unicode 字符 0xFFFD 替换无效序列。然后将文件写回为 utf-8 文本文件，并对其进行解析。

基本上你把“清除坏的utf-8序列”的操作和“解析xml文件”的操作分开了。

在运行 XML 解析器读取固定数据之前，您甚至应该能够跳过再次写回文件；应该有某种方法可以将文件写入内存字节流并将该字节流解析为 XML。 （再次，很抱歉不懂 C#）

Answer 3

离XML encoding issue很近。