Question

有效的XML字符列表是众所周知的，正如规范所定义的那样：

#x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]

我的问题是，通过使用Unicode常规类别，是否可以为此（或其反向）制作PCRE正则表达式而不实际对代码点进行硬编码。反向可能类似于[\ p {Cc} \ p {Cs} \ p {Cn}]，除了不正确地包含换行符和制表符并错过其他一些无效字符。

Answer 1

我知道这不是你问题的答案，但在这里提出它是有帮助的：

正则表达式以匹配有效 XML字符：

[\u0009\u000a\u000d\u0020-\uD7FF\uE000-\uFFFD]

因此，要从XML中删除无效字符，您需要执行类似

的操作

// filters control characters but allows only properly-formed surrogate sequences
private static Regex _invalidXMLChars = new Regex(
    @"(?<![\uD800-\uDBFF])[\uDC00-\uDFFF]|[\uD800-\uDBFF](?![\uDC00-\uDFFF])|[\x00-\x08\x0B\x0C\x0E-\x1F\x7F-\x9F\uFEFF\uFFFE\uFFFF]",
    RegexOptions.Compiled);

/// <summary>
/// removes any unusual unicode characters that can't be encoded into XML
/// </summary>
public static string RemoveInvalidXMLChars(string text)
{
    if (string.IsNullOrEmpty(text)) return "";
    return _invalidXMLChars.Replace(text, "");
}

我有我们的常驻正则表达式/ XML天才，he of the 4,400+ upvoted post，检查一下，然后他就签了名。

Answer 2

对于在UTF-16内部存储代码点的系统，通常使用代理对（xD800-xDFFF）用于0xFFFF以上的代码点，在这些系统中，您必须验证是否真的可以使用例如\ u12345或必须指定作为代理对。（我刚发现在C＃中你可以使用\u1234 (16 bit) and \U00001234 (32-bit)）

根据Microsoft“W3C建议不允许在元素或属性名称中使用代理字符。”在搜索W3s网站时，我发现可能感兴趣的是C079和C078。

Answer 3

我在java中试过这个并且它可以工作：

private String filterContent(String content) {
    return content.replaceAll("[^\\u0009\\u000a\\u000d\\u0020-\\uD7FF\\uE000-\\uFFFD]", "");
}

谢谢杰夫。

Answer 4

如果xml中存在十六进制代码，则上述解决方案对我不起作用。例如

<element></element>

以下代码会破坏：

string xmlFormat = "<element>{0}</element>";
string invalid = " &#x8;";
string xml = string.Format(xmlFormat, invalid);
xml = Regex.Replace(xml, @"[\x01-\x08\x0B\x0C\x0E\x0F\u0000-\u0008\u000B\u000C\u000E-\u001F]", "");
XDocument.Parse(xml);

它返回：

XmlException ：''，十六进制值0x08，是无效字符。第1行，第14位。

以下是改进的正则表达式并修复了上述问题：

＆安培; #x中（[0-8BCEFbcef] | 1 [0-9A-发F]）; | [\ x01- \ X08 \ X0B \ X0C \ x0E \ X0F \ u0000- \ u0008 \ u000B \ u000C \ u000E- \ u001F]

以下是前300个unicode字符的单元测试，并验证是否只删除了无效字符：

[Fact]
        public void validate_that_RemoveInvalidData_only_remove_all_invalid_data()
        {
            string xmlFormat = "<element>{0}</element>";
            string[] allAscii = (Enumerable.Range('\x1', 300).Select(x => ((char)x).ToString()).ToArray());
            string[] allAsciiInHexCode = (Enumerable.Range('\x1', 300).Select(x => "&#x" + (x).ToString("X") + ";").ToArray());
            string[] allAsciiInHexCodeLoweCase = (Enumerable.Range('\x1', 300).Select(x => "&#x" + (x).ToString("x") + ";").ToArray());

            bool hasParserError = false;
            IXmlSanitizer sanitizer = new XmlSanitizer();

            foreach (var test in allAscii.Concat(allAsciiInHexCode).Concat(allAsciiInHexCodeLoweCase))
            {
                bool shouldBeRemoved = false;
                string xml = string.Format(xmlFormat, test);
                try
                {
                    XDocument.Parse(xml);
                    shouldBeRemoved = false;
                }
                catch (Exception e)
                {
                    if (test != "<" && test != "&") //these char are taken care of automatically by my convertor so don't need to test. You might need to add these.
                    {
                        shouldBeRemoved = true;
                    }
                }
                int xmlCurrentLength = xml.Length;
                int xmlLengthAfterSanitize = Regex.Replace(xml, @"&#x([0-8BCEF]|1[0-9A-F]);|[\u0000-\u0008\u000B\u000C\u000E-\u001F]", "").Length;
                if ((shouldBeRemoved && xmlCurrentLength == xmlLengthAfterSanitize) //it wasn't properly Removed
                    ||(!shouldBeRemoved && xmlCurrentLength != xmlLengthAfterSanitize)) //it was removed but shouldn't have been
                {
                    hasParserError = true;
                    Console.WriteLine(test + xml);
                }
            }
            Assert.Equal(false, hasParserError);
        }

Answer 5

使用XmlConvert.IsXmlChar Method在C＃中删除不正确的XML字符的另一种方法（自.NET Framework 4.0起可用）

public static string RemoveInvalidXmlChars(string content)
{
   return new string(content.Where(ch => System.Xml.XmlConvert.IsXmlChar(ch)).ToArray());
}

或者您可以检查所有字符是否都是XML有效的。

public static bool CheckValidXmlChars(string content)
{
   return content.All(ch => System.Xml.XmlConvert.IsXmlChar(ch));
}

.Net小提琴 - https://dotnetfiddle.net/v1TNus

例如，垂直制表符号（\ v）对XML无效，它是有效的UTF-8，但不是有效的XML 1.0，甚至许多库（包括libxml2）都会错过它并静默输出无效的XML。 / p>

Answer 6

在PHP中，正则表达式如下所示：

protected function isStringValid($string)
{
    $regex = '/[^\x{9}\x{a}\x{d}\x{20}-\x{D7FF}\x{E000}-\x{FFFD}\x{10000}-\x{10FFFF}]+/u';

    return (preg_match($regex, $string, $matches) === 0);
}

这将处理xml specification中的所有3个范围：

#x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]

Unicode正则表达式;无效的XML字符

6 个答案: