最近我们(Trac的XmlRpcPlugin维护者)已经被告知的事实,正则表达式在Python狭窄的版本上带上代替对(参见th:comment:13:ticket:11050)。另一种方法是使用以下正则表达式(请参见th:changeset:13729)。
_illegal_unichrs = [(0x00, 0x08), (0x0B, 0x0C), (0x0E, 0x1F),
(0x7F, 0x84), (0x86, 0x9F),
(0xFDD0, 0xFDDF), (0xFFFE, 0xFFFF)]
if sys.maxunicode >= 0x10000: # not narrow build
_illegal_unichrs.extend([(0x1FFFE, 0x1FFFF), (0x2FFFE, 0x2FFFF),
(0x3FFFE, 0x3FFFF), (0x4FFFE, 0x4FFFF),
(0x5FFFE, 0x5FFFF), (0x6FFFE, 0x6FFFF),
(0x7FFFE, 0x7FFFF), (0x8FFFE, 0x8FFFF),
(0x9FFFE, 0x9FFFF), (0xAFFFE, 0xAFFFF),
(0xBFFFE, 0xBFFFF), (0xCFFFE, 0xCFFFF),
(0xDFFFE, 0xDFFFF), (0xEFFFE, 0xEFFFF),
(0xFFFFE, 0xFFFFF), (0x10FFFE, 0x10FFFF)])
_illegal_ranges = ["%s-%s" % (unichr(low), unichr(high))
for (low, high) in _illegal_unichrs]
_illegal_xml_chars_RE = re.compile(u'[%s]' % u''.join(_illegal_ranges))
p.s.见this post on surrogates解释他们是什么。
更新以便不匹配(替换)0x0D
这是一个valid XML character。
Python的最大unicode代码点取决于它在编译时的配置方式,请检查sys.maxunicode。 – u0b34a0f6ae 2009-11-10 13:18:26
你说得对。我想这更加复杂。 – itsadok 2009-11-10 13:30:05
在我的机器上,使用这个正则表达式来处理一个2.3mb的字符串需要0.34秒。这对我来说似乎相当快。 – 2009-11-10 21:12:17