XML Schema：从字符串中排除 HTML 实体和控制字符答案

【问题标题】：XML Schema: exclude HTML entities and control characters from stringsXML Schema：从字符串中排除 HTML 实体和控制字符
【发布时间】：2018-03-07 12:53:33
【问题描述】：

是否存在从 XML 实例中的字符串中排除 HTML 实体和其他控制字符的 XSD 数据类型？

【问题讨论】：

标签： xml xsd html-entities control-characters

【解决方案1】：

不，不存在排除 HTML 字符实体或控制字符的内置 XSD 数据类型，但您可能不需要，因为 XML 的格式良好的法则已经排除

文档中未定义且未定义的字符实体 predefined:

<!ENTITY lt     "&#38;#60;">
<!ENTITY gt     "&#62;">
<!ENTITY amp    "&#38;#38;">
<!ENTITY apos   "&#39;">
<!ENTITY quot   "&#34;">

Unicode characters 在代理块 FFEE 和 FFFF 中，这是该产生式不允许的：
```
Char::= #x9 | #xA | #xD | [#x20-#xD7FF]|[#xE000-#xFFFD]|[#x10000-#x10FFFF]
```

如果您仍希望排除其他字符，您可以定义一个类型，将 xs:string 限制为，例如，排除 Unicode general category Other 类别，这将排除以下所有类别：

C Other   Cc | Cf | Cs | Co | Cn
Cc    Control a C0 or C1 control code
Cf    Format  a format control character
Cs    Surrogate   a surrogate code point
Co    Private_Use a private-use character
Cn    Unassigned  a reserved unassigned code point or a noncharacter

通过此 XSD 类型：

<xs:simpleType name="NoUnicodeOtherCodePointsString">
  <xs:restriction base="xs:string">
    <xs:pattern value="[\P{C}]*"/>
  </xs:restriction>
</xs:simpleType>

【讨论】：

我认为你的意思是像这样否定模式中的类：<xs:pattern value="[^\P{C}]*"/>。此外，这与 ASCII 字符集无关，也与 C0 Controls and Basic Latin 块无关。
@TomBlodget：如果我写的是小写的\p{C}，你会是对的，但大写的\P{C} 只允许“可打印”字符是正确的。如果你想提出一个比 ASCIIprintableString 更好的名字，我很乐意接受这个建议，只要这个名字并不意味着我必须明确说明一些长长的字符列表. :-) 谢谢。
@TomBlodget：当然，感谢您推动改进受限字符串类型的名称。答案更新为更好的类型名称和\P{C} 的解释。谢谢。