问XML中真正允许的字符

EN

我们友好的维基百科有一节专门讨论这个问题。我认为这个解释要简单得多。http://en.wikipedia.org/wiki/XML#Escaping

有效字符

以下范围的Unicode代码点在XML1.0文档中是有效的:9

• U+0009，U+000A，U+000D:这是XML1.0中唯一接受的C0控件；
• U+0020-U+D7FF，U+E000U+FFFD:这排除了BMP中的一些(并非全部)非字符(禁止所有代理，U+FFFE和U+FFFF )；
• U+10000-U+10 10FFFF:这包括补充平面中的所有代码点，包括非字符.

XML 1.110扩展了允许的字符集，包括上述所有字符，加上U+0001-U+001F范围内的其余字符。但是，同时，它限制了C0和C1控制字符的使用，而不是U+0009、U+000A、U+000D和U+0085，要求它们以转义形式编写(例如，必须将U+0001写成或类似的)。对于C1字符，此限制是向后不兼容的；引入此限制是为了允许检测常见的编码错误。

代码点U+0000是任何XML1.0或1.1文档中唯一不允许的字符。

逃逸

XML提供转义功能，用于包含难以直接包含的字符。例如：

• 字符"<“和"&”是关键的语法标记，可能永远不会出现在CDATA部分之外的内容中。
• 一些字符编码只支持Unicode的一个子集。例如，在ASCII中编码XML文档是合法的，但是ASCII缺少Unicode字符(如"é“)的代码点。
• 可能不可能在作者的机器上键入字符。
• 有些字符具有无法从视觉上与其他字符区分的符号:示例如下

- non-breaking space ( ) " "
- compare space ( ) " "
- Cyrillic Capital Letter A (А) "А"
- compare Latin Capital Letter A (A) "A"

​

有五个预定义的实体：

• <表示"<“
• 代表">“
• &代表"&“
• “代表”
• “代表”

所有允许的Unicode字符都可以用数字字符引用表示。考虑一下汉字"中"，它在Unicode中的数字代码是十六进制4E2D，或十进制20,013。键盘无法输入此字符的用户仍然可以将其插入以中或中方式编码的XML文档中。类似地，字符串"I <3 J rg“可以编码为"I <3 J rg”，以便包含在XML文档中。

但是，"�“是不允许的，因为空字符是从XML中排除出来的控制字符之一，即使使用数字字符引用也是如此。14需要一种替代的编码机制(如�)来表示这些字符。