Question

我使用ADO.NET从SQL Server投射一些数据作为XML。我的一些数据包含XML中无效的字符，例如CHAR(7)（称为BEL）。

SELECT 'This is BEL: ' + CHAR(7) AS A FOR XML RAW

SQL Server encodes这样的无效字符如数字引用：

<row A="This is BEL: &#x7;" />

但是，即使编码的表单在XML 1.0下也是无效的，并且会在XML解析器中引起错误：

var doc = XDocument.Parse("<row A=\"This is BEL: &#x7;\" />");
// XmlException: ' ', hexadecimal value 0x07, is an invalid character. Line 1, position 25.

我想用Unicode替换字符'�'替换所有这些无效的数字引用。我知道如何为未编码的XML执行此操作：

string str = "<row A=\"This is BEL: \u0007\" />";
if (str.Any(c => !XmlConvert.IsXmlChar(c)))
    str = new string(str.Select(c => XmlConvert.IsXmlChar(c) ? c : '�').ToArray());
          // <row A="This is BEL: �" />

是否有一种简单的方法可以使其适用于编码的XML？我宁愿避免使用HtmlDecode然后HtmlEncode整个字符串，以免冒险引入除无效字符替换之外的更改。

编辑：转换需要在我的C＃代码中完成，而不是SQL，以便集中实现。

Answer 1

我使用正则表达式再次使用它。这应该处理十进制和十六进制字符代码。此外，除了数字编码的字符外，这不会影响任何内容。

public string ReplaceXMLEncodedCharacters(string input)
{
    const string pattern = @"&#(x?)([A-Fa-f0-9]+);";
    MatchCollection matches = Regex.Matches(input, pattern);
    int offset = 0;
    foreach (Match match in matches)
    {
        int charCode = 0;
        if (string.IsNullOrEmpty(match.Groups[1].Value))
            charCode = int.Parse(match.Groups[2].Value);
        else
            charCode = int.Parse(match.Groups[2].Value, System.Globalization.NumberStyles.HexNumber);
        char character = (char)charCode;
        input = input.Remove(match.Index - offset, match.Length).Insert(match.Index - offset, character.ToString());
        offset += match.Length - 1;
    }
    return input;
}

Answer 2

您可以将特殊字符包装在CDATA tag中。这会通知解析器忽略标记内的文本。要使用您的示例：

SELECT 'This is BEL: <![CDATA[' + CHAR(7) + ']]>' AS A FOR XML RAW

这将允许至少解析XML，尽管需要对文档结构稍作修改。

Answer 3

供参考，这是我的解决方案。我建立在Tonkleton's answer之上，但修改它以更紧密地匹配hash的内部实现。下面的代码忽略了代理对。

HtmlDecode

替换无效XML字符的字符引用

3 个答案: