需要去除 XML 字符串中的非法字符答案

【问题标题】：Need to remove illegal characters in XML string需要去除 XML 字符串中的非法字符
【发布时间】：2016-12-09 12:50:52
【问题描述】：

我必须在 C# 中处理 xml 数据，但是，有时会出现非法 XML 字符。例如，此 XML 代码将不会被解析，因为它是无效的：

<xml>Another way to write a heart is <3</xml>

XML 解析器会抛出错误，因为它无效，这是有道理的。虽然，我似乎没有找到一种方法将只有一个“

<xml>Another way to write a heart is &lt;3</xml>

脚注：它可以出现在 xml 中的任何节点中，它本身可能非常大，就像我之前说的，它并非总是发生......

有没有可以处理这个的函数？

【问题讨论】：

真的很困难，因为在 XML 中转义无效字符的全部目的是防止输出无效......您是否无法控制 XML 的生产者？正则表达式在这里可以提供帮助，因为您可以检查有效的标签名称（标签名称不能以数字开头，因此上面的示例可以修复）等等。
问题是，您没有使用 XML。您正在处理的文本字符串有点类似于 XML，但尚未根据 XML 规则正确构造。因此，不要寻找 XML 工具来解决这个问题。正如 Charleh 建议的那样，最好的解决办法是让向您提供此输入的任何人/任何人转而为您提供真正的 XML。

标签： c# xml

【解决方案1】：

我从@IgorKustov 之前的回答中复制粘贴到here。

作为删除无效 XML 字符的方法，我建议您使用 XmlConvert.IsXmlChar 方法。它是从 .NET Framework 4 开始添加的并且也在 Silverlight 中呈现。这是小样本：

void Main() {
    string content = "\v\f\0";
    Console.WriteLine(IsValidXmlString(content)); // False

    content = RemoveInvalidXmlChars(content);
    Console.WriteLine(IsValidXmlString(content)); // True
}

static string RemoveInvalidXmlChars(string text) {
    var validXmlChars = text.Where(ch => XmlConvert.IsXmlChar(ch)).ToArray();
    return new string(validXmlChars);
}

static bool IsValidXmlString(string text) {
    try {
        XmlConvert.VerifyXmlChars(text);
        return true;
    } catch {
        return false;
    }
}

作为转义无效 XML 字符的方法，我建议您使用 XmlConvert.EncodeName 方法。这是小样本：

void Main() {
    const string content = "\v\f\0";
    Console.WriteLine(IsValidXmlString(content)); // False

    string encoded = XmlConvert.EncodeName(content);
    Console.WriteLine(IsValidXmlString(encoded)); // True

    string decoded = XmlConvert.DecodeName(encoded);
    Console.WriteLine(content == decoded); // True
}

static bool IsValidXmlString(string text) {
    try {
        XmlConvert.VerifyXmlChars(text);
        return true;
    } catch {
        return false;
    }
}

更新：需要说明的是，编码操作会产生一个长度大于或等于a长度的字符串源字符串。当您将编码的字符串存储在具有长度限制和验证的字符串列中的数据库应用中的源字符串长度以适应数据列限制。

【讨论】：

【解决方案2】：

对此没有通用解决方案，因为您无法确定是否：

<xml>You can use <b></b> to highlight stuff in HTML.</xml>.

是一个“错误”，实际上应该被编码：

<xml>You can use &lt;b&gt;&lt;/b&gt; to highlight stuff in HTML.</xml>.

或者不。

因此，由于没有通用的解决方案，您只能使用不完善的启发式来检测此类问题。

C# BCL 中没有内置的启发式方法，您必须自行开发或查找一些外部库。例如，一个简单的启发式方法是查找所有 < 后面没有 [/a-zA-Z0-9]+> 的所有 [/a-zA-Z0-9]+> 并将它们转义。

启发式算法本质上是不完善的，因此如果您有机会修复系统创建那些损坏的看起来像 XML 但不是文件的文件，这将是一个更好的解决方案。

【讨论】：

这是我用来解决的问题，此时我可以用这个正则表达式匹配错误的 XML 字符：)觉得遇到其他情况就多加点表情吧……谢谢！
扩展正则表达式以匹配：)
@stijnpiron: [/a-zA-Z0-9]*[_/a-zA-Z0-9]* 在语义上等同于[_/a-zA-Z0-9]*。
@Heinzi：不，不是。前者首先限制下划线，后者则没有。
@OttoAbnormalverbraucher：如果第一个量词是+（或缺失）而不是*，它会。就目前而言，_abc 是一个有效匹配，由第一个字符组的 0 倍和第二个字符组的 4 倍组成。

【解决方案3】：

Check this link 您可以使用正则表达式来修复 xml 字符串。这是链接中的代码：

public static String repair(String xml) {
    Pattern pattern = Pattern.compile("(<attribute name=\"[^\"]+\">)(.*?)(</attribute>)");
    Matcher m = pattern.matcher(xml);
    StringBuffer buf = new StringBuffer(xml.length() + xml.length() / 32);
    while (m.find()) {
        String escaped = StringEscapeUtils.escapeXml(m.group(2));
        m.appendReplacement(buf, m.group(1) + escaped + m.group(3));
    }
    m.appendTail(buf);
    return buf.toString();
}

根据您的 xml 字符串的大小，性能可能是一个问题。但至少据我所知，没有解析器可以读取带有非法字符的 xml 并删除它们。

【讨论】：