来自 Servlet 的字符串，带有 XML CDATA 中的控制字符

Question

我的问题类似于Why are "control" characters illegal in XML 1.0? - 但是我正在寻找以下问题的解决方案，而不是为什么 XML 规范不允许 XML 中的控制字符。

我有一个 servlet，它根据用户请求打印一个包含 XML 的字符串。一个特定元素包含一个 CDATA 部分，该部分需要包含一些用户输入文本。

现在碰巧在一种特殊情况下，我们的用户输入包含字符 U+0001（一个控制字符）。即使我将字符集指定为 UTF-8，servlet 也会抛出错误：

Error: not well-formed
Location: 

<![CDATA[ 

有没有一种方法可以处理 Java 字符串以使其“XML 安全”？尤其是放在 CDATA 部分时要保证安全？

希望我的问题很清楚！

提前致谢， 拉杰

Answer 1

使这种 XML 安全的唯一符合方法是添加您自己的编码。

你可以做这两个之一（例如）：

• 将所有数据存储为文本数据，并用某种 unicode-escape 机制（XML 本身定义的机制除外！）替换所有禁用字符。例如，您可以使用 Java 使用的那个：\u0001 表示 U+0001。 或
• 将数据存储为二进制数据并使用base64Binary 或hexBinary 以XML 格式存储您的数据。

这两种方法都需要消费者和生产者的明确支持。第二种方法的优点是使用具有广泛支持的定义明确的数据类型，但如果您的内容实际上是文本，则需要指定（或传达）字节流中使用的编码（否则 XML 本身会否定这一必要性） )。

如果删除所有non-transferable characters是合适的，那么这个正则表达式应该可以解决问题：

Pattern XML_INVALID_CHARS = Pattern.compile("[^\u0009\n\r\u0020-\uD7FF\uE000-\uFFFD\uD800\uDC00-\uDBFF\uDFFF ]+");
String xmlSafe = XML_INVALID_CHARS.matcher(input).replaceAll("");

请注意，规范建议文档作者对注释中允许的字符集更加严格。那个正则表达式会更长一些。