替换Java字符串中的xml特殊字符答案

【问题标题】：Replace xml special characters in Java String替换Java字符串中的xml特殊字符
【发布时间】：2018-12-13 20:49:43
【问题描述】：

我们从一个来源获取 XML，然后传递给另一个实体进行进一步处理。但是，获取的 XML 在属性值中包含特殊字符，这些字符不能被下一个进程接受。例如

示例输入：

"<Message text="<html>Welcome User, <br> Happy to have you. <br>.</html>"

预期输出：

"<Message text="&lt;html&gt;Welcome User, &lt;br&gt; Happy to have you. &lt;br&gt;.&lt;/html&gt;">

示例输入：<Message text="<html>Welcome User, <br> Happy to have you. </html>" Multi="false"> <Meta source="system" dest="any"></Meta></Message>

输出：<Message text="&lt;html&gt;Welcome User, &lt;br&gt; Happy to have you. &lt;/html&gt;" Multi="false"> <Meta source="system" dest="any"></Meta></Message>

但如果输入有多个<br> 标签，<br> 不会被替换。

我们正在使用以下代码：

String xml = "<Message text=\"<html>Welcome User, <br> Happy to have you. <br>.</html>\" Multi=\"false\"><Meta source=\"system\" dest=\"any\"></Meta></Message>";
System.out.println("ORG:" + xml);
xml = replaceChars(xml);
System.out.println("NEW:" + xml);

private static String replaceChars(String xml)
        {
           xml = xml.replace("&", "&amp;");
           xml = xml.replaceAll("\"<([^<]*)>", "\"&lt;$1&gt;");
            xml = xml.replaceAll("</([^<]*)>\"", "&lt;/$1&gt;\"");
            xml = xml.replaceAll("\"([^<]*)<([^<]*)>([^<]*)\"", "\"$1&lt;$2&gt;$3\"");

            return xml;
        }

【问题讨论】：

我们没有解析 xml。我们只想删除那些在下一阶段无法被 SAX 解析器解析的字符。
这能回答你的问题吗？ removing invalid XML characters from a string in java

标签： java regex xml

【解决方案1】：

请不要使用正则表达式转义 XML 中的特殊字符。

你能保证这将适用于所有可能的 html 输入以及所有 HTML 和 XML 怪癖（非常广泛的规范！！！）？

只需使用众多实用程序之一来转义 XML 字符串。

Apache Commons 很受欢迎 - please see this example

【讨论】：

【解决方案2】：

要匹配你可以使用正则表达式：

(?:<)(?<=<)(\/?\w*)(?=.*(?<=<\/html))(?:>)

(?:<) 匹配但不捕获 <。
(?<=<)< 的正面回溯。
(\/?\w*) 捕获标签名称。可选的/ 和单词字符。
(?=.*(?<=<\/html)) 正向前瞻，然后正向后向查看结束标签。
(?:>) 匹配但不捕获 >。

要替换你可以使用：

&lt;$1&gt;

其中$1 是正则表达式中捕获组的结果。您可以交互地测试正则表达式here。

使用以下 Java 代码：

 public static void main(String []args){
    String xml = "<Message text=\"<html>Welcome User, <br> Happy to have you. <br>.</html>\" Multi=\"false\"><Meta source=\"system\" dest=\"any\"></Meta></Message>";
    String newxml = replaceChars(xml);
    System.out.println(newxml);
 }

 private static String replaceChars(String xml)
    {
       xml = xml.replaceAll("(?:<)(?<=<)(\/?\w*)(?=.*(?<=<\/html))(?:>)", "&lt;$1&gt;");
       return xml;
    }

输出是：

"<Message text="&lt;html&gt;Welcome User, &lt;br&gt; Happy to have you. &lt;/html&gt;" Multi="false"> <Meta source="system" dest="any"></Meta></Message>"

【讨论】：

部分正确。整个输出是：<Message text="&lt;html&gt;Welcome User, &lt;br&gt; Happy to have you. &lt;br&gt;.&lt;/html&gt;" Multi="false"> <Meta source="system" dest="any">&lt;/Meta&gt;&lt;/Message&gt; 观察Meta 和Message 的结束标签。基本上，我们只想考虑那些在""（双引号）之间的内容。
@Chota 对，我明白了。请尝试(?:<)(?<=<)(\/?\w*)(?=.*(?<=<\/html))(?:>)here。让我知道，我会更新我的答案。
是的，这更好，但这似乎期望它总是以</html> 结尾，但实际上并非如此。我们可能有一个字符串，其中只有一些 <br>。
在第二个lookbehind中添加额外的案例是很简单的，你知道你会想要匹配的标签，即(?<=<\/html|\/br)

【解决方案3】：

XML 不是文本。事实上，XML 文档是一种二进制格式。

将 XML 作为文本处理是错误的方法，并且只适用于简单的情况。需要考虑的事项：

XML 文档没有文件编码，但在文档中指定了内容编码（因此它必须由正确处理此问题的 XML 解析器读取）。
XML文档使用XML实体（内置如&amp;、&lt;、&gt;和&quot;，其他可以在DDL中任意定义，见https://www.w3resource.com/xml/entities.php）。
XML 文档可以包含 CDATA

因此：

使用适当的 XML 解析器来读取文档
在 DOM（文档对象模型）或流模型上执行操作（文本替换、添加/删除节点）。
使用适当的 XML 处理器来编写文档

顺便说一下，示例中的 XML 不是 xml（格式错误，因为没有实体用于 <、>、"）

【讨论】：