声明为编码的UTF-8的给定XML文件未通过xmllint。假设非UTF-8字符导致错误，则对文件运行以下sed命令。 sed 's/[^\x00-\x7F]//g' file.xml。命令错误或非UTF-8字符不是问题，因为xmllint在运行sed后仍然失败。第一个问题是：sed正则表达式是否正确？
= = = = =
以下是xmllint的输出：
$ xmllint file.xml
file.xml:35533: parser error : CData section not finished
<p class="imgcont"><img alt="Diets of 2013" src="h
<b>What You Eat: </b>Foods low in sugar and carbs and high in fat—80% of cal
^
file.xml:35533: parser error : PCDATA invalid Char value 31
<b>What You Eat: </b>Foods low in sugar and carbs and high in fat—80% of cal
^
file.xml:35588: parser error : Sequence ']]>' not allowed in content
as.people.com/2013/11/07/kerry-washington-pregnant-diet-green-smoothie-recipe/"]
^
= = = = =
更新：在TextMate中，在查看文件时，有一个字符显示为<US>。如果从文件中手动删除该字符，则该文件将通过xmllint。
答案 0 :(得分：1)
使用sed从Unicode表中删除特定代码点有些困难。
如果您需要定位特定的Unicode字符类别，则使用Perl更有意义。
perl -pe -i 's/(?![\t\n\r])\p{Cc}//g' file
将删除除TAB，CR和LF之外的所有控制字符。