XML 转义忽略重音字符答案

【问题标题】：XML Escaping ignores accentuated charactersXML 转义忽略重音字符
【发布时间】：2021-07-22 19:32:37
【问题描述】：

我正在尝试发送 POST 请求，其中请求正文包含 XML。接收 API 要求任何特殊字符都应使用数字 xml-entities 进行编码。

让我们举个例子： İlkay Gündoğan

在使用org.apache.commons.text.StringEscapeUtils 等标准库进行xml 转义或使用Jsoup 和XML-Parser 之后，它只会产生：

İlkay G&#252;ndoğan，但它忽略了İ 和ğ。我已经阅读了那些提到的库的文档，并读到只有一定范围的字符被转义。

我已经尝试将手动制作的示例 (&#304;lkay G&#252;ndo&#287;an) 发送到 recv。 API 并按预期工作。

所有值都以 UTF-8 写入和读取。

【问题讨论】：

仔细检查您的区域设置
如果所有值都以 UTF-8 写入和读取，那么您不需要转义这些字符中的任何。如果接收 API 要求这样做，则它不接受有效的 XML。数字 XML 实体和实际字符在有效的 XML 处理器中应该是等价的。 “特殊字符”的定义也难以置信。 tl;dr 如果您需要这个，您必须自己构建它，因为这不是标准要求。
@JoachimSauer 不能 100% 确定，如果 recv. API 以 UTF-8 读取，但在他们的规范中提到，以及他们期望编码的 xml-entities。如果我有一个能够在数字实体中转义这些字符的库，那么这个问题将为我解决
@lunatikz：有没有提到它认为是“特殊字符”？
@lunatikz：老实说，这有点傻。 XML 特别是 有一个编码标头以允许使用任何编码，尤其是像 UTF-8 这样不需要转义非 ASCII 字符的编码。如果他们继续要求他们被转义，那么他们就破坏了 XML 的基本思想（即他们付出了所有的代价却没有得到任何好处）。您可以尝试将您的 XML 库配置为显式使用 ASCII 作为编码，这应该使其自动转义所有非 ASCII 字符。

【解决方案1】：

如果 XML 编码是 UTF-8（默认），则不需要将特殊字符转换为数字实体。所以你有一个可疑的接收器。正如 javadocs 所说，escapeXml11 确实是有限的。

翻译String xml的所有非ASCII字符：

xml = xml.codePoints()
    .map(cp -> cp < 128 ? Character.toString(cp) : String.format("&#%d;", cp))
    .collect(Collectors.joining());

您甚至可以设置encoding="US-ASCII"。

【讨论】：

是的，我也会得出结论，接收方有问题。你的方法对我很有效，recv。 side 现在能够完全解析我的请求。我想知道为什么大多数库只支持有限的范围。这在某种程度上适用于许多人。
在 java 中有一个问题，有时两个 chars 形成一个 Unicode 代码点。因此，使用带有 lambda 的 `Pattern.Matcher.replaceAll 不适用于亚洲脚本。然而，在这里我只能猜测使用的编码表。这简直是愚蠢的。