从Word粘贴+创建XML文档 - ＆gt;十六进制值0x0C，是无效字符（.Net）

Question

我有一个接受用户HTML输入的网页。使用System.Xml命名空间将输入转换为xml文档，如下所示：

var doc = new XmlDocument();
doc.AppendChild(doc.CreateElement("root"));
doc.DocumentElement.SetAttribute("BodyHTML", theTextBox.Text);

然后对数据使用Xsl转换（System.Xml.Xsl.XslCompiledTransform）。

用户倾向于使用项目符号，引号等在Microsoft Word中编写文本。粘贴到我的页面时，其文本包含无效字符，如0x0C，0x03等。使用xsl转换时，会出现此错误“十六进制值0x0C，是无效字符。”

到目前为止，我的解决方法是使用循环和String.Replace来消除我发现令人反感的字符： 除了9,10和13之外，0到31之间的所有字符都替换为String.Empty。

我正在寻找的是更好的方法。内置的.Net方法？或者只是一个非法的unicode字符的完整列表。

Answer 1

找到两个做同样事情的答案

1. http://seattlesoftware.wordpress.com/2008/09/11/hexadecimal-value-0-is-an-invalid-character/
2. http://www.theplancollection.com/house-plan-related-articles/hexadecimal-value-invalid-character

第一个使用StringBuilder，逐个循环遍历字符并过滤掉非法字符。 第二个使用Regex和.Replace来完成同样的事情。 两位作者都查看了Xml标准，以找出哪些字符是非法的。

我在一个长字符串上做了一些计时（1.8 MB文件运行1000次）和一个短字符串（“Hello world”运行10,000,000次）。 StringBuilder方法比正则表达式快3倍。正则表达式当然只编译一次，不像我链接的代码。

长串：

CleanInvalidXmlChars time: 00:00:07.4356230
SanitizeXmlString    time: 00:00:02.3703305

短字符串：

CleanInvalidXmlChars time: 00:00:05.2805834
SanitizeXmlString    time: 00:00:01.8319114