xml 格式不正确，因为 CDATA 中有一个特殊字符

Question

我有这个 xml：

<?xml version="1.0" encoding="UTF-8" ?>
            <rss xmlns:excerpt="http://wordpress.org/export/1.2/excerpt/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:wfw="http://wellformedweb.org/CommentAPI/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:wp="http://wordpress.org/export/1.2/" version="2.0">
                <channel>
                    <wp:wxr_version>1.2</wp:wxr_version>
            <item>
                        <title type="html">
                        <![CDATA[ <h1 class="title">“Title with special character”</h1> ]]>
                        </title>
                        <content:encoded type="html">
                        <![CDATA[ <div class="content clearfix">
            <p>Content Example Text</p>
        </div> ]]>
                        </content:encoded>
                        <wp:post_id>0</wp:post_id>
                        <wp:post_date>2000-09-30T10:22:00.001Z</wp:post_date>           
                    </item>
                </channel>
            </rss>

在 html 标题标签内有 unicode 字符：U+0007

为什么xml无效？

我正在使用 CDATA，这不应该使它有效吗？

如何在构造 xml 之前验证哪些符号无效并删除它们？

Answer 1

让我们明确一点，我们正在讨论 XML 是否为 well-formed rather than invalid。

U+0007 是一个控制字符 (BEL)，过去用于使终端发出哔哔声。它在 XML 中是不允许的，即使在 CDATA 中也是如此。如果它在数据中，那么数据就不是 XML。您的选择是删除它或对其进行编码，使其不直接存在于数据中（以便接收者了解如何对其进行解码）；对于必须能够表示此类非法字符的任何元素的内容，一种编码选项是 Base64。

另见

• XML Schema. Base64binary type vs String type
• Illegal character in XML feed?
• How to parse invalid (bad / not well-formed) XML?

---

XML 1.0 与 1.1

Michael Kay helpfully commented 表示 XML 1.1 允许在 XML 1.0 中允许的字符之外的其他字符，包括 U+0007 ()。

例如，考虑以下文档¹：

<?xml version="1.0" encoding="UTF-8" ?>
<r>
  <e1></e1>  <!-- e1 contains a literal U+0007 char -->
  <e2>&#x07;</e2>  <!-- &#x07; becomes a U+0007 char -->
  <e3><![CDATA[]]></e3>  <!-- e3 CDATA contains a literal U+0007 char -->
  <e4><![CDATA[&#x07;]]></e4>  <!-- &#x07; remains an uninterpreted string -->
</r>

在 XML 声明中使用 XML 1.0 版本设置：

• e1、e2 和 e3 中的 U+0007 字符会阻止 XML 格式正确。

在 XML 声明中使用 XML 1.1 版本设置：

• 仅在 e1 和 e3 中的 U+0007 字符会阻止 XML 格式正确。

---

^{1 请注意，问题源（可通过问题上的编辑链接查看）确实包含文字 U+0007 字符，即使格式化的 XML 没有。}