XML 的正则表达式问题答案

【问题标题】：Regular Expression issue for XMLXML 的正则表达式问题
【发布时间】：2016-01-06 01:57:42
【问题描述】：

我想将一个字符串写入一个 XML 节点，但在这样做之前我必须删除所有禁止的字符。我发现以下工作：

preg_replace("/[^\\x0009\\x000A\\x000D\\x0020-\\xD7FF\\xE000-\\xFFFD]/", "", $var)

但是，它删除了很多我想保留的字符。如space、;、&、<、>\、/。

我做了一些搜索，发现空格是x0020，所以我首先尝试通过将上面的代码更改为允许空格：

preg_replace("/[^\\x0009\\x000A\\x000D\\x0021-\\xD7FF\\xE000-\\xFFFD]/", "", $var)

但它仍然会删除空格。我只想删除那些奇怪的隐藏“命令”字符。我该怎么做？

编辑：我之前用htmlspecialchars() 制作了$var，因此我想保留& 和;

【问题讨论】：

使用 CDATA 怎么样？ en.wikipedia.org/wiki/CDATA
查看stackoverflow.com/questions/4005282/… 是否与您相关。我认为答案之一是。
@SteveClanton 该问题的 OP 希望删除所有特殊字符。我没有。
“我必须去掉所有禁止的字符” – 定义“禁止” – 由什么/谁来定义？

标签： php regex xml

【解决方案1】：

您不必剥离它们。

如果您使用像 DOM 或 XMLWriter 这样的 XML API，它会将特殊字符编码为实体：

$document = new DOMDocument('1.0', 'UTF-8');
$document
  ->appendChild($document->createElement('foo'))
  ->appendChild($document->createTextNode("\x09\x0A\x0D\x20 ä ç <&>"));

echo $document->saveXml();

输出：

<?xml version="1.0" encoding="UTF-8"?>
<foo>   
&#13;  ä ç &lt;&amp;&gt;</foo>

XML 解析器将再次对其进行解码：

$document = new DOMDocument('1.0', 'UTF-8');
$document->loadXml($xml);

var_dump($document->documentElement->textContent);

输出：

string(14) "    

  ä ç <&>"

【讨论】：

【解决方案2】：

您是否需要在您的正则表达式末尾添加一个“u”，以便 PHP 知道您想要 Unicode 匹配？另见UTF-8 in PHP regular expressions

我还想知道您是否想用空格替换这些字符，而不是什么都不替换。取决于您在做什么，但是由于您要删除换行符，因此您可以将单词跨行连接起来。

【讨论】：