发现无效的 XML 字符 (Unicode: 0xc)答案

【问题标题】：An invalid XML character (Unicode: 0xc) was found发现无效的 XML 字符 (Unicode: 0xc)
【发布时间】：2011-08-10 04:42:57
【问题描述】：

使用 Java DOM 解析器解析 XML 文件会导致：

[Fatal Error] os__flag_8c.xml:103:135: An invalid XML character (Unicode: 0xc) was found in the element content of the document.
org.xml.sax.SAXParseException: An invalid XML character (Unicode: 0xc) was found in the element content of the document.
    at com.sun.org.apache.xerces.internal.parsers.DOMParser.parse(Unknown Source)
    at com.sun.org.apache.xerces.internal.jaxp.DocumentBuilderImpl.parse(Unknown Source)
    at javax.xml.parsers.DocumentBuilder.parse(Unknown Source)

【问题讨论】：

标签： java xml dom xml-parsing

【解决方案1】：

XML 文档中有一些字符是不允许使用的，即使您将数据封装在 CDATA 块中也是如此。

如果您生成了文档，则需要对其进行~~实体编码或~~将其剥离。如果你有一个错误的文档，你应该在尝试解析它之前去掉这些字符。

在此线程中查看 dolmens 的答案：Invalid Characters in XML

他在哪里链接到这篇文章：http://www.w3.org/TR/xml/#charsets

基本上，0x20 以下的所有字符都是不允许的，除了 0x9 (TAB)、0xA (CR?)、0xD (LF?)

【讨论】：

+1 - 基本上，OP的问题是他试图解析的XML文件无效。
实体编码不起作用； XML 文本中根本不允许该值
在 UTF-8 上，不允许使用的字符的完整列表是这 5 个十六进制间隔：0..8、B..C、E..1F、D800..DFFF、FFFE..FFFF

【解决方案2】：

字符 0x0C 在 XML 1.0 中无效，但应该是 valid character in XML 1.1。因此，除非 xml 文件在序言中将版本指定为 1.1，否则它就是无效的，您应该向该文件的生产者投诉。

【讨论】：

【解决方案3】：

我遇到了类似的问题，即 XML 包含控制字符。查看代码后，我发现一个已弃用的类 StringBufferInputStream 用于读取字符串内容。

http://docs.oracle.com/javase/7/docs/api/java/io/StringBufferInputStream.html

This class does not properly convert characters into bytes. As of JDK 1.1, the preferred way to create a stream from a string is via the StringReader class.

我将其更改为 ByteArrayInputStream 并且效果很好。

【讨论】：

【解决方案4】：

每当无效的 xml 字符出现在 xml 中时，就会出现这样的错误。当您在记事本++ 中打开它时，它看起来像 VT、SOH、FF，这些都是无效的 xml 字符。我正在使用 xml 版本 1.0，并且在通过模式将文本数据输入数据库之前验证文本数据

Pattern p = Pattern.compile("[^\u0009\u000A\u000D\u0020-\uD7FF\uE000-\uFFFD\u10000-\u10FFF]+"); 
retunContent = p.matcher(retunContent).replaceAll("");

保证xml中不会输入无效的特殊字符

【讨论】：

您提供的模式是正确的，但无法按原样编译。你需要一些逃避。正确的是Pattern.compile("[^\\u0009\\u000A\\u000D\\u0020-\\uD7FF\\uE000-\\uFFFD\\u10000-\\u10FFF]+")

【解决方案5】：

public String stripNonValidXMLCharacters(String in) {
    StringBuffer out = new StringBuffer(); // Used to hold the output.
    char current; // Used to reference the current character.

    if (in == null || ("".equals(in))) return ""; // vacancy test.
    for (int i = 0; i < in.length(); i++) {
        current = in.charAt(i); // NOTE: No IndexOutOfBoundsException caught here; it should not happen.
        if ((current == 0x9) ||
            (current == 0xA) ||
            (current == 0xD) ||
            ((current >= 0x20) && (current <= 0xD7FF)) ||
            ((current >= 0xE000) && (current <= 0xFFFD)) ||
            ((current >= 0x10000) && (current <= 0x10FFFF)))
            out.append(current);
    }
    return out.toString();
}

【讨论】：

如果你能编写一个基于正则表达式的解决方案，它既健壮又快速
正则表达式通常较慢，上面的代码会更快，因为它只做这件事
现在不要使用StringBuffer，而是使用StringBuilder，因为它更快（不需要对象监视器/未同步）。

【解决方案6】：

您可以使用自定义 FilterReader 类过滤所有“无效”字符：

public class InvalidXmlCharacterFilter extends FilterReader {

    protected InvalidXmlCharacterFilter(Reader in) {
        super(in);
    }

    @Override
    public int read(char[] cbuf, int off, int len) throws IOException {
        int read = super.read(cbuf, off, len);
        if (read == -1) return read;

        for (int i = off; i < off + read; i++) {
            if (!XMLChar.isValid(cbuf[i])) cbuf[i] = '?';
        }
        return read;
    }
}

然后像这样运行它：

InputStream fileStream = new FileInputStream(xmlFile);
Reader reader = new BufferedReader(new InputStreamReader(fileStream, charset));
InvalidXmlCharacterFilter filter = new InvalidXmlCharacterFilter(reader);
InputSource is = new InputSource(filter);
xmlReader.parse(is);

【讨论】：

嗨瓦迪姆，你的想法很棒。 XMLChar 的来源是什么？
我在 com.sun.org.apache.xml.internal.utils.XMLChar 上找到了 XMLChar（在 Java 1.8 中）

【解决方案7】：

对于将字节数组读入字符串并尝试使用 JAXB 转换为对象的人，您可以通过从字节数组创建字符串来添加“iso-8859-1”编码，如下所示：

String JAXBallowedString= new String(byte[] input, "iso-8859-1");

这会将冲突的字节替换为 JAXB 可以处理的单字节编码。显然这个解决方案只是解析xml。

【讨论】：

【解决方案8】：

所有这些答案似乎都假设用户正在生成错误的 XML，而不是从 gSOAP 接收它，这应该更清楚！

【讨论】：

再一次，可能是内存访问问题导致内容损坏。

【解决方案9】：

今天，我遇到了类似的错误：

Servlet.service() for servlet [remoting] in context with path [/***] threw exception [Request processing failed; nested exception is java.lang.RuntimeException: buildDocument failed.] with root cause org.xml.sax.SAXParseException; lineNumber: 19; columnNumber: 91; An invalid XML character (Unicode: 0xc) was found in the value of attribute "text" and element is "label".

在我第一次遇到错误后，我手动重新输入了整行，因此没有办法让特殊字符潜入，并且 Notepad++ 没有显示任何不可打印的字符（黑色白色），但我一遍又一遍地遇到同样的错误。

当我查看我所做的与我的前辈不同的事情时，结果发现它在结束 /> 之前是一个额外的空间（正如我听说的那样，建议用于较旧的解析器，但它不应该使任何无论如何，根据 XML 标准）：

<label text="this label's text" layout="cell 0 0, align left" />

当我删除空间时：

<label text="this label's text" layout="cell 0 0, align left"/>

一切正常。

所以这绝对是一个误导性的错误信息。

【讨论】：

【解决方案10】：

在 UTF-8 上，对于 XML 1.0，这些范围内的所有代码都是不允许的：

0..8
B..C
E..1F
D800..DFFF
FFFE..FFFF

可以删除的正则表达式是：

text.replaceAll('[\\x{0}-\\x{8}]|[\\x{B}-\\x{C}]|[\\x{E}-\\x{1F}]|[\\x{D800}-\\x{DFFF}]|[\\x{FFFE}-\\x{FFFF}]', "")

注意：如果您使用的是 XML 1.1，您还需要删除这些间隔：

7F..84
86..9F

参考：

XML 1.0 字符：https://www.w3.org/TR/xml/#charsets
XML 1.1 字符：https://www.w3.org/TR/xml11/#charsets

【讨论】：