Unicode正则表达式;无效的XML字符

的有效XML字符名单是众所周知的，由它的规范定义：Unicode正则表达式;无效的XML字符

#x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]

我的问题是，是否有可能作出这样的PCRE正则表达式（或其倒数）而无需使用Unicode常规类别实际对代码点进行硬编码。反例可能类似于[\ p {Cc} \ p {Cs} \ p {Cn}]，但不正确地覆盖了换行符和制表符以及其他一些无效字符。

来源

2008-12-29 Edward Z. Yang

对于内部存储的代码点UTF-16系统中，通常使用代理对（xD800-xDFFF）以上0xFFFF的，并在这些系统的代码点，您必须验证，如果你真的可以使用例如\ U12345或必须指定作为代理对。（我刚刚发现，在C＃中，您可以使用\u1234 (16 bit) and \U000(32-bit)）

根据Microsoft“W3C建议不允许在元素或属性名称内使用替代字符。”在搜索W3s网站时，我发现可能感兴趣的C079和C078。

来源

2008-12-29 07:32:07 some

虽然这是一个有用的实现技巧，但它并没有真正回答我的问题。让我们假设参数为实现对非BMP字符的一流支持，所以根本不需要代理字符。 – 2008-12-31 21:04:13

我知道这是不完全的回答你的问题，但它有助于在这里有它：

正则表达式匹配有效的XML字符：

[\u0009\u000a\u000d\u0020-\uD7FF\uE000-\uFFFD]

所以要去除无效来自XML的字符，你会做类似

// filters control characters but allows only properly-formed surrogate sequences 
private static Regex _invalidXMLChars = new Regex(
    @"(?<![\uD800-\uDBFF])[\uDC00-\uDFFF]|[\uD800-\uDBFF](?![\uDC00-\uDFFF])|[\x00-\x08\x0B\x0C\x0E-\x1F\x7F-\x9F\uFEFF\uFFFE\uFFFF]", 
    RegexOptions.Compiled); 

/// <summary> 
/// removes any unusual unicode characters that can't be encoded into XML 
/// </summary> 
public static string RemoveInvalidXMLChars(string text) 
{ 
    if (string.IsNullOrEmpty(text)) return ""; 
    return _invalidXMLChars.Replace(text, ""); 
}

我有我们的常驻正则表达式/ XML天才，he of the 4,400+ upvoted post，检查这一点，然后他签署了它。

来源

2009-06-07 08:30:38

而不是text.IsNullOrEmpty（）我认为你需要string.IsNullOrEmpty（文本） – 2013-05-06 05:12:28

你是杰夫阿特伍德，你真的不需要任何居民签署你的东西在这里。 – jbnunn 2013-07-16 16:33:22

我在Java中尝试这样做，它的工作原理：

private String filterContent(String content) { 
    return content.replaceAll("[^\\u0009\\u000a\\u000d\\u0020-\\uD7FF\\uE000-\\uFFFD]", ""); 
}

谢谢杰夫。

来源

2012-02-19 16:57:22

如果十六进制代码存在于xml中，上述解决方案对我无效。例如

<element></element>

下面的代码将打破：

string xmlFormat = "<element>{0}</element>"; 
string invalid = " &#x8;"; 
string xml = string.Format(xmlFormat, invalid); 
xml = Regex.Replace(xml, @"[\x01-\x08\x0B\x0C\x0E\x0F\u0000-\u0008\u000B\u000C\u000E-\u001F]", ""); 
XDocument.Parse(xml);

它返回：

XmlException： ''，十六进制值0x08时，是无效字符。 1号线，位置14。

以下是改进正则表达式和上面固定提到的问题：

& #x中（[0-8BCEFbcef] | 1 [0-9A-发F]）; | [\ x01- \ X08 \ X0B \ X0C \ x0E \ X0F \ u0000- \ u0008 \ u000B \ u000C \ u000E- \ u001F]

下面是第一300个Unicode字符单元测试并且仅验证无效字符被删除：

[Fact] 
     public void validate_that_RemoveInvalidData_only_remove_all_invalid_data() 
     { 
      string xmlFormat = "<element>{0}</element>"; 
      string[] allAscii = (Enumerable.Range('\x1', 300).Select(x => ((char)x).ToString()).ToArray()); 
      string[] allAsciiInHexCode = (Enumerable.Range('\x1', 300).Select(x => "&#x" + (x).ToString("X") + ";").ToArray()); 
      string[] allAsciiInHexCodeLoweCase = (Enumerable.Range('\x1', 300).Select(x => "&#x" + (x).ToString("x") + ";").ToArray()); 

      bool hasParserError = false; 
      IXmlSanitizer sanitizer = new XmlSanitizer(); 

      foreach (var test in allAscii.Concat(allAsciiInHexCode).Concat(allAsciiInHexCodeLoweCase)) 
      { 
       bool shouldBeRemoved = false; 
       string xml = string.Format(xmlFormat, test); 
       try 
       { 
        XDocument.Parse(xml); 
        shouldBeRemoved = false; 
       } 
       catch (Exception e) 
       { 
        if (test != "<" && test != "&") //these char are taken care of automatically by my convertor so don't need to test. You might need to add these. 
        { 
         shouldBeRemoved = true; 
        } 
       } 
       int xmlCurrentLength = xml.Length; 
       int xmlLengthAfterSanitize = Regex.Replace(xml, @"&#x([0-8BCEF]|1[0-9A-F]);|[\u0000-\u0008\u000B\u000C\u000E-\u001F]", "").Length; 
       if ((shouldBeRemoved && xmlCurrentLength == xmlLengthAfterSanitize) //it wasn't properly Removed 
        ||(!shouldBeRemoved && xmlCurrentLength != xmlLengthAfterSanitize)) //it was removed but shouldn't have been 
       { 
        hasParserError = true; 
        Console.WriteLine(test + xml); 
       } 
      } 
      Assert.Equal(false, hasParserError); 
     }

来源

2017-05-14 07:45:57 Rafi

另一种方法，以消除在C＃中不正确的XML字符使用XmlConvert.IsXmlChar Method（可用自.NET框架4.0）

public static string RemoveInvalidXmlChars(string content) 
{ 
    return new string(content.Where(ch => System.Xml.XmlConvert.IsXmlChar(ch)).ToArray()); 
}

，或者您可以检查所有的字符是XML-有效。

public static bool CheckValidXmlChars(string content) 
{ 
    return content.All(ch => System.Xml.XmlConvert.IsXmlChar(ch)); 
}

净小提琴 - https://dotnetfiddle.net/v1TNus

例如，垂直制表符符号（\ V）不是有效的XML，它是有效的UTF-8，但不是有效的XML 1.0，甚至许多库（包括libxml2）会错过它并静默输出无效的XML。

来源

2018-02-20 19:59:00

Unicode正则表达式;无效的XML字符

回答

相关问题