从 UnicodeString 创建 CData 节点时 XML 无效字符答案

【问题标题】：XML Invalid characters when creating CData node from UnicodeString从 UnicodeString 创建 CData 节点时 XML 无效字符
【发布时间】：2014-01-13 09:26:46
【问题描述】：

IDE：Embarcadero XE5 c++ 构建器。

我正在尝试在 XML CData 部分中转储 UnicodeStrings。

这样一个字符串的小摘录：

 u"‰PNG\r\n\x1A\n\0\0\0\rIHDR\0\0\0õ\0\0\02\b\x06\0\0\0„\\i\0\0\0\x01sRGB\0®Î\x1Cé\0\0\0\x04gAMA\0\0±\vüa\x05\0\0\0\tpHYs\0\0\x0EÃ\0\0\x0EÃ\x01Ço¨d\0\0\v¼IDATxÚíœypUÕ\x19ÀO\x06…°¤\x04D$ˆ²\b1š\b\x18@...etc"

我知道 XML 文档可以包含非 ASCII 字符，并且我认为 XML CData 部分的内容不会被 XML 解析器解析（除了部分结束指示符“[[> ”，我的数据中不存在，检查了它）。

创建（编写）CData 部分时，我仍然收到“创建节点时在文本内容中发现无效字符”错误。

代码示例：

_di_IXMLDocument pXMLDocument = NewXMLDocument("1.0");
// I've played around with the document encoding with no success, guessing it's only applicable while reading the document.
// pXMLDocument->SetEncoding(L"iso-8859-1"); 

String myString;   // Unicode, contains my data string.

// 1st param of CreateNode method is of type UnicodeString.
di_IXMLNode pCDataNode = pXMLDocument->CreateNode( myString, ntCData );

关于为什么失败的任何想法？编码问题？

【问题讨论】：

看来问题实际上可能出在字符串的内容上。由于数据的“随机”性质，字符串包含大量字符文字（转义字符）......并且它们被错误地（根据我的要求）解释为这样。导致问题。因此，在创建 CData 节点之前，需要为数据字符串解析转义字符。

标签： c++ xml c++builder

【解决方案1】：

如果您阅读XML specification 中的Section 2.7，它描述了CDATA 部分的格式：

CDATA Sections

[18]    CDSect    ::=    CDStart CData CDEnd  
[19]    CDStart    ::=    '<![CDATA[' 
[20]    CData    ::=    (Char* - (Char* ']]>' Char*))  
[21]    CDEnd    ::=    ']]>'

Char 定义在Section 2.2:

Char    ::=    #x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF] /* any Unicode character, excluding the surrogate blocks, FFFE, and FFFF. */

如果您查看原始数据，它包含十几个字符值，这些值被排除在该范围之外（特别是 #x0、#x1、#x2、#x4、#x5、#x6、 #x8、#xB#xE、#x18、#x19、#x1A 和 #x1C)。这就是为什么您会收到有关非法字符的错误，因为您确实有非法字符。

CDATA 部分不允许您将任意二进制数据放入 XML 数据中。当文本内容包含通常为 XML 标记保留的字符时，应使用 CDATA 部分，以便不必将它们转义或编码为实体。将二进制数据放入 XML 文档的唯一方法是将其编码为与 XML 兼容的（通常为 7 位 ASCII）格式，例如 Base64（但您可以使用其他格式，例如 yEnc）。

【讨论】：

【解决方案2】：

事实证明问题确实是原始数据字符串中存在的所有转义字符，正如怀疑的那样。

通过在创建 XML CData 部分之前对整个字符串进行 Base64 编码来解决这个问题。

Rad Studio 方法：EncodeBase64、DecodeBase64

标题：Soap.EncdDecd.hpp

【讨论】：

【解决方案3】：

对于我的情况，我创建了一个函数来将字符串修剪为一组有效的 XML Characters。

伪代码：

//Code released into public domain. No attribution required.
function TrimToXmlText(xmlText: String): string;
begin
   /*
      http://www.w3.org/TR/xml/#NT-Char

      Regarless of entity encoding, the only valid characters allowed are:

         Char ::= #x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]

      I.e. any Unicode character, excluding the surrogate blocks, FFFE, and FFFF.
      This means that a string such as

         "Line one"#31#10"Line two"

      is invalid (because of the #31 aka 0x1F).

      This means we need to manually strip them out; because the xml library certainly won't do it for us.
   */

   SetLength(Result, Length(xmlText));

   Int32 o = 0;
   for i = 1 to Length(s) do
   begin
      case Ord(s[i]) of
      $9, $A, $D,
      $20..$D7FF,
      $E000..$FFFD:
         begin
            o = o+1;
            Result[o] = xmlText[i];
         end;
      end;
   end;

   SetLength(Result, o);
end;

【讨论】：