如何检查字符串是否是有效的 XML 元素名称？

Question

我需要一个正则表达式或 PHP 中的函数来验证一个字符串是否是一个好的 XML 元素名称。

形成 w3schools：

XML 元素必须遵循这些命名 规则：

1. 名称可以包含字母、数字和其他字符
2. 名称不能以数字或标点符号开头
3. 名称不能以字母 xml（或 XML、Xml 等）开头
4. 名称不能包含空格

我可以编写一个基本的正则表达式来检查规则 1,2 和 4，但它不会考虑所有允许的标点符号，也不会考虑第三条规则

\w[\w0-9-]

友情更新

这里是well-formed XML Element names的更权威来源：

名称和令牌

NameStartChar   ::=
    ":" | [A-Z] | "_" | [a-z] | [#xC0-#xD6] | [#xD8-#xF6] | [#xF8-#x2FF] |
    [#x370-#x37D] | [#x37F-#x1FFF] | [#x200C-#x200D] | [#x2070-#x218F] | 
    [#x2C00-#x2FEF] | [#x3001-#xD7FF] | [#xF900-#xFDCF] | [#xFDF0-#xFFFD] | 
    [#x10000-#xEFFFF]

NameChar    ::=
    NameStartChar | "-" | "." | [0-9] | #xB7 | [#x0300-#x036F] | [#x203F-#x2040]

Name    ::=
    NameStartChar (NameChar)*

还指定了一个单独的非标记化规则：

以字符串“xml”开头的名称，或任何匹配 (('X'|'x') ('M'|'m') ('L'|'l')) 的字符串，是保留用于本规范本版本或未来版本的标准化。

Answer 1

XML、xml 等是有效的标签，它们只是“保留用于本规范的这个或未来版本的标准化”，这可能永远不会发生。请在https://www.w3.org/TR/REC-xml/查看真实标准。 w3school 的文章不准确。

Answer 2

尽管问题很老，但到目前为止，这一点一直被忽略：通过 PHP 的 pcre 函数进行名称验证，这些函数已通过 XML 规范进行了简化。

XML 的定义非常清楚其规范中的元素名称 (Extensible Markup Language (XML) 1.0 (Fifth Edition))：

[4]  NameStartChar  ::=   ":" | [A-Z] | "_" | [a-z] | [#xC0-#xD6] | [#xD8-#xF6] | [#xF8-#x2FF] | [#x370-#x37D] | [#x37F-#x1FFF] | [#x200C-#x200D] | [#x2070-#x218F] | [#x2C00-#x2FEF] | [#x3001-#xD7FF] | [#xF900-#xFDCF] | [#xFDF0-#xFFFD] | [#x10000-#xEFFFF]
[4a] NameChar       ::=   NameStartChar | "-" | "." | [0-9] | #xB7 | [#x0300-#x036F] | [#x203F-#x2040]
[5]  Name           ::=   NameStartChar (NameChar)*

此表示法可以转换为与preg_match 一起使用的 UTF-8 兼容正则表达式，这里作为要逐字复制的单引号 PHP 字符串：

'~^[:A-Z_a-z\\xC0-\\xD6\\xD8-\\xF6\\xF8-\\x{2FF}\\x{370}-\\x{37D}\\x{37F}-\\x{1FFF}\\x{200C}-\\x{200D}\\x{2070}-\\x{218F}\\x{2C00}-\\x{2FEF}\\x{3001}-\\x{D7FF}\\x{F900}-\\x{FDCF}\\x{FDF0}-\\x{FFFD}\\x{10000}-\\x{EFFFF}][:A-Z_a-z\\xC0-\\xD6\\xD8-\\xF6\\xF8-\\x{2FF}\\x{370}-\\x{37D}\\x{37F}-\\x{1FFF}\\x{200C}-\\x{200D}\\x{2070}-\\x{218F}\\x{2C00}-\\x{2FEF}\\x{3001}-\\x{D7FF}\\x{F900}-\\x{FDCF}\\x{FDF0}-\\x{FFFD}\\x{10000}-\\x{EFFFF}.\\-0-9\\xB7\\x{0300}-\\x{036F}\\x{203F}-\\x{2040}]*$~u'

或者以更易读的方式作为具有命名子模式的另一个变体：

'~
# XML 1.0 Name symbol PHP PCRE regex <http://www.w3.org/TR/REC-xml/#NT-Name>
(?(DEFINE)
    (?<NameStartChar> [:A-Z_a-z\\xC0-\\xD6\\xD8-\\xF6\\xF8-\\x{2FF}\\x{370}-\\x{37D}\\x{37F}-\\x{1FFF}\\x{200C}-\\x{200D}\\x{2070}-\\x{218F}\\x{2C00}-\\x{2FEF}\\x{3001}-\\x{D7FF}\\x{F900}-\\x{FDCF}\\x{FDF0}-\\x{FFFD}\\x{10000}-\\x{EFFFF}])
    (?<NameChar>      (?&NameStartChar) | [.\\-0-9\\xB7\\x{0300}-\\x{036F}\\x{203F}-\\x{2040}])
    (?<Name>          (?&NameStartChar) (?&NameChar)*)
)
^(?&Name)$
~ux'

请注意，此模式包含冒号 :，出于 XML 命名空间验证的原因（例如，对 NCName 的测试），您可能希望排除该冒号（第一个模式中有两个外观，第二个出现一个）。

用法示例：

$name    = '::...';
$pattern = '~
# XML 1.0 Name symbol PHP PCRE regex <http://www.w3.org/TR/REC-xml/#NT-Name>
(?(DEFINE)
    (?<NameStartChar> [:A-Z_a-z\\xC0-\\xD6\\xD8-\\xF6\\xF8-\\x{2FF}\\x{370}-\\x{37D}\\x{37F}-\\x{1FFF}\\x{200C}-\\x{200D}\\x{2070}-\\x{218F}\\x{2C00}-\\x{2FEF}\\x{3001}-\\x{D7FF}\\x{F900}-\\x{FDCF}\\x{FDF0}-\\x{FFFD}\\x{10000}-\\x{EFFFF}])
    (?<NameChar>      (?&NameStartChar) | [.\\-0-9\\xB7\\x{0300}-\\x{036F}\\x{203F}-\\x{2040}])
    (?<Name>          (?&NameStartChar) (?&NameChar)*)
)
^(?&Name)$
~ux';

$valid = 1 === preg_match($pattern, $name); # bool(true)

---

不可能以XML（小写或大写字母）开头的元素名称的说法是不正确的。 <XML/> 是一个格式完美的 XML，XML 是一个格式完美的元素名称。

只是这些名称位于格式良好的元素名称的子集中，为标准化保留（XML 版本 1.0 及更高版本）。很容易测试一个（格式良好的）元素名称是否通过字符串比较保留：

$reserved = $valid && 0 === stripos($name, 'xml'));

或者另一个正则表达式：

$reserved = $valid && 1 === preg_match('~^[Xx][Mm][Ll]~', $name);

PHP's DOMDocument 可以不测试保留名称至少我不知道如何做到这一点，而且我一直在寻找。

一个有效的元素名称需要一个唯一元素类型声明，这似乎超出了这里的问题范围，因为没有提供这样的声明。因此，答案没有考虑到这一点。如果有元素类型声明，您只需要针对所有（区分大小写）名称的白名单进行验证，因此这将是一个简单的区分大小写的字符串比较。

---

游览：DOMDocument 与正则表达式有何不同？

与DOMDocument / DOMElement 相比，有效元素名称的限定存在一些差异。 DOM 扩展处于某种混合模式，这使得它验证的内容难以预测。以下短途旅行说明了该行为并展示了如何控制它。

让我们以$name 实例化一个元素：

$element = new DOMElement($name);

结果取决于：

• 如果第一个字符是冒号，它只会验证XML 1.0 Name symbol。
• 如果第一个字符不是冒号，则验证XMLNS 1.0 QName symbol

所以第一个字符决定了比较模式。

正则表达式专门编写了要检查的内容，这里是 XML 1.0 Name 符号。

您可以使用DOMElement 在名称前加上冒号来达到同样的效果：

function isValidXmlName($name)
{

    try {
        new DOMElement(":$name");
        return TRUE;
    } catch (DOMException $e) {
        return FALSE;
    }
}

要显式检查QName，可以通过将其转换为PrefixedName 来实现，以防它是UnprefixedName：

function isValidXmlnsQname($qname)
{
    $prefixedName = (!strpos($qname, ':') ? 'prefix:' : '') . $qname;

    try {
        new DOMElement($prefixedName, NULL, 'uri:ns');
        return TRUE;
    } catch (DOMException $e) {
        return FALSE;
    }
}

Answer 3

如果您想创建valid XML，请使用DOM Extension。这样您就不必担心任何正则表达式。如果您尝试在 DomElement 中输入无效名称，则会收到错误消息。

function isValidXmlName($name)
{
    try {
        new DOMElement($name);
        return TRUE;
    } catch(DOMException $e) {
        return FALSE;
    }
}

这会给

var_dump( isValidXmlName('foo') );      // true   valid localName
var_dump( isValidXmlName(':foo') );     // true   valid localName
var_dump( isValidXmlName(':b:c') );     // true   valid localName
var_dump( isValidXmlName('b:c') );      // false  assumes QName

并且对于您想做的事情可能已经足够了。

迂腐注解 1

注意localName 和QName 之间的区别。如果冒号前有前缀，则 ext/dom 假定您正在使用命名空间元素，这会限制名称的形成方式。从技术上讲，b:b 是一个有效的本地名称，因为NameStartChar is part of NameChar。如果要包含这些，请将函数更改为

function isValidXmlName($name)
{
    try {
        new DOMElement(
            $name,
            null,
            strpos($name, ':') >= 1 ? 'http://example.com' : null
        );
        return TRUE;
    } catch(DOMException $e) {
        return FALSE;
    }
}

迂腐笔记2

请注意，元素可能以“xml”开头。 W3schools（不隶属于 W3c）显然把这部分弄错了（wouldn't be the first time）。如果你真的想排除以xml开头的元素添加

if(stripos($name, 'xml') === 0) return false;

try/catch 之前。

Answer 4

下面的表达式应该匹配除 xml 之外的有效 unicode 元素名称。仍允许以 xml 开头或结尾的名称。这通过了@toscho 的äøñ 测试。我无法弄清楚正则表达式的一件事是扩展程序。 xml 元素名称规范说：

[4] NameChar ::= 字母 |数字 | '。' | '-' | '_' | '：' | 组合字符 |扩展器

[5] 姓名 ::= (字母 | '_' | ':') (NameChar)*

但是对于包含扩展器的 unicode 类别或类没有明确的定义。

^[\p{L}_:][\p{N}\p{L}\p{Mc}.\-|:]*((?<!xml)|xml)$

Answer 5

如果您使用的是 DotNet 框架，请尝试 XmlConvert.VerifyName。它会告诉您名称是否有效，或者使用 XmlConvert.EncodeName 将无效名称实际转换为有效名称...

Answer 6

使用这个正则表达式：

^_?(?!(xml|[_\d\W]))([\w.-]+)$

这匹配您所有的四个点并允许使用 unicode 字符。

Answer 7

怎么样

/\A(?!XML)[a-z][\w0-9-]*/i

用法：

if (preg_match('/\A(?!XML)[a-z][\w0-9-]*/i', $subject)) {
    # valid name
} else {
    # invalid name
}

解释：

\A  Beginning of the string
(?!XML)  Negative lookahead (assert that it is impossible to match "XML")
[a-z]  Match a non-digit, non-punctuation character
[\w0-9-]*  Match an arbitrary number of allowed characters
/i  make the whole thing case-insensitive

Answer 8

if (substr(strtolower($text), 0, 3) != 'xml') && (1 === preg_match('/^\w[^<>]+$/', $text)))
{
    // valid;
}

Answer 9

这应该可以大致满足您的需求[假设您使用的是 Unicode]：
（注意：这是完全未经测试的。）

[^\p{P}xX0-9][^mMlL\s]{2}[\w\p{P}0-9-]

\p{P} 是 PHP 正则表达式语法中 Unicode Punctuation marks 的语法。