Unicode Regex; Недопустимые символы XML

Ответ 1

Я знаю, что это не совсем ответ на ваш вопрос, но полезно здесь:

Регулярное выражение для соответствия действительным XML-символам:

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

Итак, чтобы удалить символы недействительные из XML, вы сделаете что-то вроде

// 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, "");
}

У меня был наш постоянный regex/XML genius, он из 4,400+ upvoted post, проверьте это, и он подписал его.

Ответ 2

Для систем, которые внутренне хранят кодовые точки в UTF-16, обычно используют суррогатные пары (xD800-xDFFF) для кодовых точек выше 0xFFFF и в этих системах вы должны проверить, действительно ли вы можете использовать, например, \u12345 или должны указать это как суррогатную пару. (Я только что узнал, что в С# вы можете использовать \u1234 (16 бит) и \U00001234 (32-разрядный))

Согласно Microsoft, рекомендация W3C не позволяет суррогатным символам внутри имен элементов или атрибутов. "При поиске на сайте W3s я нашел C079 и C078 которые могут представлять интерес.

Ответ 3

Я пробовал это в java, и он работает:

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

Спасибо, Джефф.

Ответ 4

Вышеупомянутые решения не сработали для меня, если шестнадцатеричный код присутствовал в xml. например

<element>&#x8;</element>

Следующий код сломается:

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);

Он возвращает:

XmlException: '', шестнадцатеричное значение 0x08, является недопустимым символом. Строка 1, позиция 14.

Ниже приведено улучшенное регулярное выражение и исправлена ​​проблема, упомянутая выше:

& #x ([0-8BCEFbcef] | 1 [0-9A-Fa-е]); | [\ x01-\x08\x0B\x0C\x0E\X0F\u0000-\u0008\u000B\u000C\u000E-\u001F]

Ниже приведено unit test для первых 300 символов Юникода и проверяется, что удалены только недопустимые символы:

[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);
        }