XML 规范定义了 XML 文档中允许的 Unicode 字符子集： http://www.w3.org/TR/REC-xml/#charsets.
如何从 Java 中的字符串中过滤掉这些字符？
简单的测试用例：
Assert.equals("", filterIllegalXML(""+Character.valueOf((char) 2)))
【问题讨论】：
XMLChar，正如 ZZ Coder 所建议的那样。你可以在这里找到整个方法：pastebin.com/6Vbm1zuC
找出 XML 的所有无效字符并非易事。您需要从 Xerces 调用或重新实现 XMLChar.isInvalid()，
http://kickjava.com/src/org/apache/xerces/util/XMLChar.java.htm
【讨论】：
This page 包含一个 Java 方法，用于通过测试每个字符是否符合规范来去除 invalid XML characters，但它不检查 highly discouraged 字符
顺便说一句，转义字符不是解决方案，因为 XML 1.0 和 1.1 规范也不允许转义形式的无效字符。
【讨论】：
这是一个处理原始字符以及流中转义字符的解决方案，适用于 stax 或 sax。它需要扩展其他无效字符，但你明白了
import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.io.OutputStreamWriter;
import java.io.Reader;
import java.io.UnsupportedEncodingException;
import java.io.Writer;
import org.apache.commons.io.IOUtils;
import org.apache.xerces.util.XMLChar;
public class IgnoreIllegalCharactersXmlReader extends Reader {
private final BufferedReader underlyingReader;
private StringBuilder buffer = new StringBuilder(4096);
private boolean eos = false;
public IgnoreIllegalCharactersXmlReader(final InputStream is) throws UnsupportedEncodingException {
underlyingReader = new BufferedReader(new InputStreamReader(is, "UTF-8"));
}
private void fillBuffer() throws IOException {
final String line = underlyingReader.readLine();
if (line == null) {
eos = true;
return;
}
buffer.append(line);
buffer.append('\n');
}
@Override
public int read(char[] cbuf, int off, int len) throws IOException {
if(buffer.length() == 0 && eos) {
return -1;
}
int satisfied = 0;
int currentOffset = off;
while (false == eos && buffer.length() < len) {
fillBuffer();
}
while (satisfied < len && buffer.length() > 0) {
char ch = buffer.charAt(0);
final char nextCh = buffer.length() > 1 ? buffer.charAt(1) : '\0';
if (ch == '&' && nextCh == '#') {
final StringBuilder entity = new StringBuilder();
// Since we're reading lines it's safe to assume entity is all
// on one line so next char will/could be the hex char
int index = 0;
char entityCh = '\0';
// Read whole entity
while (entityCh != ';') {
entityCh = buffer.charAt(index++);
entity.append(entityCh);
}
// if it's bad get rid of it and clean it from the buffer and point to next valid char
if (entity.toString().equals("")) {
buffer.delete(0, entity.length());
continue;
}
}
if (XMLChar.isValid(ch)) {
satisfied++;
cbuf[currentOffset++] = ch;
}
buffer.deleteCharAt(0);
}
return satisfied;
}
@Override
public void close() throws IOException {
underlyingReader.close();
}
public static void main(final String[] args) {
final File file = new File(
<XML>);
final File outFile = new File(file.getParentFile(), file.getName()
.replace(".xml", ".cleaned.xml"));
Reader r = null;
Writer w = null;
try {
r = new IgnoreIllegalCharactersXmlReader(new FileInputStream(file));
w = new OutputStreamWriter(new FileOutputStream(outFile),"UTF-8");
IOUtils.copyLarge(r, w);
w.flush();
} catch (Exception e) {
e.printStackTrace();
} finally {
IOUtils.closeQuietly(r);
IOUtils.closeQuietly(w);
}
}
}
【讨论】：
大致基于 Stephen C 的答案链接中的 comment 和 XML 1.1 的维基百科 spec 这是一个 java 方法，向您展示如何使用正则表达式替换删除非法字符：
boolean isAllValidXmlChars(String s) {
// xml 1.1 spec http://en.wikipedia.org/wiki/Valid_characters_in_XML
if (!s.matches("[\\u0001-\\uD7FF\\uE000-\uFFFD\\x{10000}-\\x{10FFFF}]")) {
// not in valid ranges
return false;
}
if (s.matches("[\\u0001-\\u0008\\u000b-\\u000c\\u000E-\\u001F\\u007F-\\u0084\\u0086-\\u009F]")) {
// a control character
return false;
}
// "Characters allowed but discouraged"
if (s.matches(
"[\\uFDD0-\\uFDEF\\x{1FFFE}-\\x{1FFFF}\\x{2FFFE}–\\x{2FFFF}\\x{3FFFE}–\\x{3FFFF}\\x{4FFFE}–\\x{4FFFF}\\x{5FFFE}-\\x{5FFFF}\\x{6FFFE}-\\x{6FFFF}\\x{7FFFE}-\\x{7FFFF}\\x{8FFFE}-\\x{8FFFF}\\x{9FFFE}-\\x{9FFFF}\\x{AFFFE}-\\x{AFFFF}\\x{BFFFE}-\\x{BFFFF}\\x{CFFFE}-\\x{CFFFF}\\x{DFFFE}-\\x{DFFFF}\\x{EFFFE}-\\x{EFFFF}\\x{FFFFE}-\\x{FFFFF}\\x{10FFFE}-\\x{10FFFF}]"
)) {
return false;
}
return true;
}
【讨论】：
使用commons-lang 中的StringEscapeUtils.escapeXml(xml) 将转义，而不是过滤字符。
【讨论】：
&lt; 到 &lt;），但这是不同的。该方法似乎没有过滤任何非法字符。我的“测试用例”失败了。
assertEquals("", StringEscapeUtils.escapeXml(""+Character.valueOf((char) 2)));
StringEscapeUtils.escapeXml(xml) 仅支持五个基本 XML 实体（gt、lt、quot、amp、apos）。不支持 DTD 或外部实体。
使用escapeXml10 或escapeXml11。这些函数转义了"、&、'、<、> 等字符，还可以过滤无效字符。
对于那些不想过滤无效字符但使用不同的转义系统转义它们的人，请在此处查看我的答案https://stackoverflow.com/a/59475093/3882565。
【讨论】：
您可以使用regex (Regular Expression) 来完成这项工作，请参阅 cmets here 中的示例
【讨论】：