首页
学习
活动
专区
工具
TVP
发布
社区首页 >问答首页 >从java中的字符串中删除无效的XML字符

从java中的字符串中删除无效的XML字符
EN

Stack Overflow用户
提问于 2010-11-21 19:37:58
回答 9查看 80.6K关注 0票数 26

嗨,我想从字符串中删除所有无效的XML字符。我想在string.replace方法中使用正则表达式。

喜欢

line.replace(regExp,"");

使用什么是正确的regExp?

无效的XML字符是指不是以下内容的所有内容:

代码语言:javascript
复制
[#x1-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]

谢谢。

EN

回答 9

Stack Overflow用户

回答已采纳

发布于 2010-11-21 20:58:41

因此,您可以使用两个Java's regex supports supplementary characters -16编码的字符来指定这些高范围。

下面是删除XML 1.0中非法字符的模式

代码语言:javascript
复制
// XML 1.0
// #x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]
String xml10pattern = "[^"
                    + "\u0009\r\n"
                    + "\u0020-\uD7FF"
                    + "\uE000-\uFFFD"
                    + "\ud800\udc00-\udbff\udfff"
                    + "]";

大多数人都想要XML1.0版本。

下面是删除XML 1.1中非法字符的模式

代码语言:javascript
复制
// XML 1.1
// [#x1-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]
String xml11pattern = "[^"
                    + "\u0001-\uD7FF"
                    + "\uE000-\uFFFD"
                    + "\ud800\udc00-\udbff\udfff"
                    + "]+";

您需要使用String.replaceAll(...)而不是String.replace(...)

代码语言:javascript
复制
String illegal = "Hello, World!\0";
String legal = illegal.replaceAll(pattern, "");
票数 86
EN

Stack Overflow用户

发布于 2012-07-26 23:31:56

我们应该考虑代理字符吗?否则'(current >= 0x10000) && (current <= 0x10FFFF)‘永远不会为真。

还测试了正则表达式方法似乎比下面的循环慢。

代码语言:javascript
复制
if (null == text || text.isEmpty()) {
    return text;
}
final int len = text.length();
char current = 0;
int codePoint = 0;
StringBuilder sb = new StringBuilder();
for (int i = 0; i < len; i++) {
    current = text.charAt(i);
    boolean surrogate = false;
    if (Character.isHighSurrogate(current)
            && i + 1 < len && Character.isLowSurrogate(text.charAt(i + 1))) {
        surrogate = true;
        codePoint = text.codePointAt(i++);
    } else {
        codePoint = current;
    }
    if ((codePoint == 0x9) || (codePoint == 0xA) || (codePoint == 0xD)
            || ((codePoint >= 0x20) && (codePoint <= 0xD7FF))
            || ((codePoint >= 0xE000) && (codePoint <= 0xFFFD))
            || ((codePoint >= 0x10000) && (codePoint <= 0x10FFFF))) {
        sb.append(current);
        if (surrogate) {
            sb.append(text.charAt(i));
        }
    }
}
票数 9
EN

Stack Overflow用户

发布于 2017-07-21 02:55:38

到目前为止,所有这些答案都只是替换了字符本身。但有时XML文档会包含无效的XML实体序列,从而导致错误。例如,如果你的xml中有&#2;,java xml解析器将抛出Illegal character entity: expansion character (code 0x2 at ...

下面是一个简单的java程序,它可以替换那些无效的实体序列。

代码语言:javascript
复制
  public final Pattern XML_ENTITY_PATTERN = Pattern.compile("\\&\\#(?:x([0-9a-fA-F]+)|([0-9]+))\\;");

  /**
   * Remove problematic xml entities from the xml string so that you can parse it with java DOM / SAX libraries.
   */
  String getCleanedXml(String xmlString) {
    Matcher m = XML_ENTITY_PATTERN.matcher(xmlString);
    Set<String> replaceSet = new HashSet<>();
    while (m.find()) {
      String group = m.group(1);
      int val;
      if (group != null) {
        val = Integer.parseInt(group, 16);
        if (isInvalidXmlChar(val)) {
          replaceSet.add("&#x" + group + ";");
        }
      } else if ((group = m.group(2)) != null) {
        val = Integer.parseInt(group);
        if (isInvalidXmlChar(val)) {
          replaceSet.add("&#" + group + ";");
        }
      }
    }
    String cleanedXmlString = xmlString;
    for (String replacer : replaceSet) {
      cleanedXmlString = cleanedXmlString.replaceAll(replacer, "");
    }
    return cleanedXmlString;
  }

  private boolean isInvalidXmlChar(int val) {
    if (val == 0x9 || val == 0xA || val == 0xD ||
            val >= 0x20 && val <= 0xD7FF ||
            val >= 0x10000 && val <= 0x10FFFF) {
      return false;
    }
    return true;
  }
票数 7
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/4237625

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档