如何告诉Java SAX Parser忽略无效的字符引用？

Question

当尝试使用&#x1之类的字符引用解析不正确的XML时，Java的SAX Parser因致命错误而死亡，例如

    org.xml.sax.SAXParseException: Character reference "&#x1"
                                   is an invalid XML character.

这有什么办法吗？在将其交给SAX Parser之前，我是否必须清理XML文件？如果是这样，有没有一种优雅的方式来解决这个问题？

Answer 1

使用XML 1.1！ skaffman是完全正确的，但你可以将<?xml version="1.1"?>放在文件的顶部，你就会处于良好的状态。如果您正在处理流，请编写一个重写或添加该处理指令的包装器。

Answer 2

我担心你必须清理你的XML。根据XML规范，这些字符是无效的，否则没有多少说服力会说服解析器。

对于XML 1.0

Valid XML characters：

• U+0009
• U+000A
• U+000D
• U+0020 - U+D7FF
• U+E000 - U+FFFD
• U+10000 - U+10FFFF

为了清理，您必须通过更低级别的处理器传递数据，该处理器将其视为unicode字符流，删除那些无效的字符。

Answer 3

这是无效的XML，因此解析器不应该在没有错误的情况下对其进行解析。

但是你确实在现实世界中遇到过这样的手工制作的无效XML。我的解决方案是手动将CDATA标记插入数据。例如，

  <data><![CDATA[ garbage with &invalid characters ]]></data>

当然，您将按原样获取数据，并且您必须自己处理无效字符。