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

【问题标题】：Paste from Word + Create XML document -> hexadecimal value 0x0C, is an invalid character (.Net)从 Word 粘贴 + 创建 XML 文档 -> 十六进制值 0x0C，是无效字符 (.Net)
【发布时间】：2011-02-21 21:24:51
【问题描述】：

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，他们的文本包含无效字符，例如 0x0C、0x03 等。使用xsl转换时，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 消除我发现令人反感的字符：所有从 0 到 31 的字符，除了 9、10 和 13 都替换为 String.Empty。

我正在寻找一种更好的方法来做到这一点。内置的 .Net 方法？或者可能只是非法 Unicode 字符的完整列表。

【问题讨论】：

标签： c# xml unicode control-characters

【解决方案1】：

找到两个做同样事情的答案

第一个使用StringBuilder，逐个循环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。

我对一个长字符串（1.8 MB 文件运行 1,000 次）和一个短字符串（“Hello world”运行 10,000,000 次）做了一些计时。 StringBuilder 方法比正则表达式快约 3 倍。与我链接的代码不同，正则表达式当然只编译一次。

长字符串：

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

【讨论】：