Question

我正在尝试将 UTF-8 xml 源文件转换为 iso-8859-1 xml 目标文件。我希望 XSLT 删除 iso-8859-1 中无效的所有字符。有可能吗？

理想的方法是接收目标编码作为参数，删除有关此编码的所有无效字符，并使用该参数在xsl:output tag中设置编码属性。

我对包含中文字符的文件执行了测试，我的 XSLT 包含

<xsl:output method="xml" encoding="iso-8859-1" indent="yes" />

但中文字符转换为＆amp;＃20320 ;

提前致谢。

Answer 1

假设XSLT 1.0：
这是可能的，但相当乏味。您需要列出集合中的所有字符，然后在输出到结果树的每个文本节点上使用translate（）函数（两次）。例如，这个样式表：

<xsl:stylesheet version="1.0" 
xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:output method="xml" version="1.0" encoding="UTF-8" indent="yes"/>
<xsl:strip-space elements="*"/>

<xsl:param name="charset" select="'1234567890'" />

<xsl:template match="@*|node()">
    <xsl:copy>
        <xsl:apply-templates select="@*|node()"/>
    </xsl:copy>
</xsl:template>

<xsl:template match="text()">
    <xsl:value-of select="translate(., translate(., $charset, ''), '')"/>
</xsl:template>

</xsl:stylesheet>

应用于以下输入时：

<input>
    <para>John has 3 apples.</para>
    <para>Eve has 2 oranges.</para>
</input>

将导致：

<?xml version="1.0" encoding="UTF-8"?>
<input>
  <para>3</para>
  <para>2</para>
</input>

Answer 2

XSL输出编码确定输出文件所在的编码。

它保证写入输出文件/流的字符不在定义的字符范围之外，在本例中为iso-8859-1。并且字符串'你'在该范围内，即使它所代表的字符（U + 4F60，你）不是。

<output charset="...">指令切换字节编码（例如'你'在UTF-8中为0xE4 0xBD 0xA0，在UTF-16中为0x60 0x4F但如果不可能它不会破坏你的文本，也就是说它不会在输出中替换输入中的中文字符（甚至更糟，没有）。

它尝试使用定义良好的编码方案来保留字符：编号的字符实体。显示数据的用户代理可以将其显示为问号，如果具有该功能，则可以将其显示为原始字符。

以下XML：

<?xml version="1.0" encoding="iso-8859-1"?>
<test>&#20320;</test>

和

<?xml version="1.0" encoding="UTF-8"?>
<test>你</test>

都显示为

<test>你</test>

在我的浏览器中，你的XSLT处理器所做的事实上是正确的事情。想想你真的想要丢失那些角色。

Answer 3

对于iso-8859-1，您可以

replace($x, '[^&#x1;-&#xff;]', '')

但这并不能概括为其他编码。

如果您正在使用Saxon，那么我建议您自定义序列化程序（您可以设置自己的SerializerFactory，它可以创建一个包含您自己的XMLEmitter的管道，它可以将标准XMLEmitter子类化为省略不在选中的字符编码而不是转义它们。）

或者，对输出进行后处理（例如使用Perl或Awk）以删除所有数字字符引用。

然而，不仅如此，我还会质疑这一要求。你想做什么似乎不是一件好事。

删除不在指定XSLT编码中的字符

3 个答案: