识别并删除会破坏 FOR XML 的字符

Question

创建 XML 时出错

消息 6841，级别 16，状态 1，第 26 行 FOR XML 无法序列化 节点“值”的数据，因为它包含一个字符 (0x000C) 在 XML 中是不允许的。要使用 FOR XML 检索此数据，请将其转换为 转换为二进制、varbinary 或图像数据类型并使用 BINARY BASE64 指令。

想出了如何用 TSQL 解决这个问题

我的问题是如何预防

此数据是通过 .NET C# 加载的
已经在做一些清理工作，例如：
- 删除前导和尾随空格
- 将多个空格连接到一个空格

什么字符会破坏 FOR XML？

如何在 .NET C# 中识别和删除这些字符？
在数据进入 SQL 之前进行输入。

XML 是使用 TSQL FOR XML 生成的（不是通过 .NET）。

找到这个链接 Valid characters in XML

以下代码点范围内的 Unicode 代码点始终是 在 XML 1.1 文档中有效：[2] U+0001–U+D7FF, U+E000–U+FFFD: this 包括大多数 C0 和 C1 控制字符，但不包括一些（不 所有）BMP 中的非字符（代理项、U+FFFE 和 U+FFFF 是 禁止）； U+10000–U+10FFFF：这包括所有代码点 补充平面，包括非字符。

我不知道如何测试 U+0001–U+D7FF。

答案不仅仅是问题。
如问题中所述，我已经在执行其他输入过滤。
我只是想添加 xml。
在实际应用中，将过滤掉所有控制字符，因为此用户数据不应包含任何控制字符。
win1252部分是对齐数据存储的int SQL char(byte)。

使用了 1.0 字符集，因为 1.1 中允许破坏我的 FOR XML。
也仅适用于 Int16，因为 char 在 .NET 中是 Int16。

public static string RemoveDiatricsXMLsafe(string unicodeString, bool toLower, bool toWin1252)
{
    // cleary could just create the Regex and validXMLsingle once in the ctor
    unicodeString = Regex.Replace(unicodeString, @"\s{2,}", " ");
    //U+0009, U+000A, U+000D: these are the only C0 controls accepted in XML 1.0;
    //U+0020–U+D7FF, U+E000–U+FFFD    
    Int16[] validXMLsingle = new Int16[4];
    validXMLsingle[0] = Int16.Parse("0020", System.Globalization.NumberStyles.HexNumber);
    validXMLsingle[1] = Int16.Parse("0009", System.Globalization.NumberStyles.HexNumber);
    validXMLsingle[2] = Int16.Parse("000A", System.Globalization.NumberStyles.HexNumber);
    validXMLsingle[3] = Int16.Parse("000D", System.Globalization.NumberStyles.HexNumber);

    unicodeString = unicodeString.Trim();
    Int16 u16;
    StringBuilder sb = new StringBuilder();
    bool validXML = false;
    if (toLower) unicodeString = unicodeString.ToLowerInvariant();
    foreach (char c in unicodeString.Normalize(NormalizationForm.FormD)) // : NormalizationForm.FormKD) breaks 
    {
        switch (CharUnicodeInfo.GetUnicodeCategory(c))
        {
            case UnicodeCategory.NonSpacingMark:
            case UnicodeCategory.SpacingCombiningMark:
            case UnicodeCategory.EnclosingMark:
                //do nothing
                break;
            default:
                u16 = (Int16)c;
                validXML = false; 
                if      (u16 >= validXMLsingle[0]) validXML = true;
                else if (u16 == validXMLsingle[1]) validXML = true;
                else if (u16 == validXMLsingle[2]) validXML = true;
                else if (u16 == validXMLsingle[3]) validXML = true;
                if (validXML) sb.Append(c);
                break;
        }
    }
    if (!toWin1252)
    {
        return sb.ToString();
    }
    else
    {
        Encoding win1252 = Encoding.GetEncoding("Windows-1252");
        Encoding unicode = Encoding.Unicode;

        // Convert the string into a byte array. 
        byte[] unicodeBytes = unicode.GetBytes(sb.ToString());

        // Perform the conversion from one encoding to the other. 
        byte[] win1252Bytes = Encoding.Convert(unicode, win1252, unicodeBytes);

        // Convert the new byte[] into a char[] and then into a string. 
        char[] win1252Chars = new char[win1252.GetCharCount(win1252Bytes, 0, win1252Bytes.Length)];
        win1252.GetChars(win1252Bytes, 0, win1252Bytes.Length, win1252Chars, 0);
        return new string(win1252Chars);
        //string win1252String = new string(win1252Chars);
        //return win1252String;
    }
}

Answer 1

在 .Net 方面，您应该能够使用正则表达式来查看您是否有一只奇怪的鸟：

var reg = new Regex("[^[\u0001-\ud7ff\ue000-\ufffd)]");
if(reg.IsMatch(...)
{
    // do what you want if you find something you don't want
}

Answer 2

我猜是'0x000C' = '<' (http://www.wimpyplayer.com/docs/howto/special_characters.html)。那么你不是只需要在插入之前对你放入每个节点的数据进行 XML 转义吗？

这里有答案：String escape into XML

public static string XmlEscape(string unescaped)
{
    XmlDocument doc = new XmlDocument();
    var node = doc.CreateElement("root");
    node.InnerText = unescaped;
    return node.InnerXml;
}

public static string XmlUnescape(string escaped)
{
    XmlDocument doc = new XmlDocument();
    var node = doc.CreateElement("root");
    node.InnerXml = escaped;
    return node.InnerText;
}