从 XML 中过滤某些 unicode 字符

Question

...特别是 xA3 (&pound, £, £)

我正在加载几个长的 XML 文档，并且会定期遇到一个无法加载的文档，并引发异常：

给定编码中的无效字符。行 x，位置 y。

这是有问题的代码：

var doc = new XmlDocument();
doc.Load(file.FullName);

当我在指定的行查看相关文档时，我会看到其中一个 XML 标记内的 xA3 格式相反（黑色 bg，白色 fg）。

每个 XML 文件的头部都没什么特别的：

<?xml version="1.0" encoding="UTF-8"?> 
<urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">

这听起来像是一个非常愚蠢的问题，但有没有办法删除违规字符或告诉读取文件的 XMLDocument 接受字符编码？

Answer 1

此答案基于您的 XML 文件不包含字符实体 £ 而是包含字节值 0xa3 的假设。

井号的 UTF-8 代码是两个字节代码 0xc2 0xa3。如果0xa3之前没有字节0xc2，说明你的XML文件编码不是UTF-8，头部信息有误。

如果是这种情况，您可以将 XML 标头中的编码更改为 ISO 8859-1（在代码点 0xa3 处可以找到井号），或者尝试找出您的 XML 文件不适用的原因UTF-8 编码并修复它们。因为我不知道您的文件是否包含 ISO 8859-1 中不存在的任何字符，所以我更喜欢第二个选项。