从 Java 中的字符串中删除无效的 XML 字符

regex invalid-characters java xml

2022-09-01 12:22:04

嗨，我想从字符串中删除所有无效的XML字符。我想在string.replace方法中使用正则表达式。

喜欢

line.replace(regExp,"");

什么是正确的正则表达式使用？

无效的 XML 字符是不是这个的所有内容：

[#x1-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]

谢谢。

答案 1

Java的正则表达式支持增进字符，因此您可以使用两个UTF-16编码的字符指定这些高范围。

下面是删除 XML 1.0 中非法字符的模式：

// XML 1.0
// #x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]
String xml10pattern = "[^"
                    + "\u0009\r\n"
                    + "\u0020-\uD7FF"
                    + "\uE000-\uFFFD"
                    + "\ud800\udc00-\udbff\udfff"
                    + "]";

大多数人都需要 XML 1.0 版本。

下面是用于删除 XML 1.1 中非法字符的模式：

// XML 1.1
// [#x1-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]
String xml11pattern = "[^"
                    + "\u0001-\uD7FF"
                    + "\uE000-\uFFFD"
                    + "\ud800\udc00-\udbff\udfff"
                    + "]+";

您需要使用 String.replaceAll（...） 而不是。String.replace(...)

String illegal = "Hello, World!\0";
String legal = illegal.replaceAll(pattern, "");

答案 2

我们应该考虑代理角色吗？否则，'（当前>= 0x10000） &&（当前<= 0x10FFFF）“将永远不会为真。

还测试了正则表达式方式似乎比以下循环慢。

if (null == text || text.isEmpty()) {
    return text;
}
final int len = text.length();
char current = 0;
int codePoint = 0;
StringBuilder sb = new StringBuilder();
for (int i = 0; i < len; i++) {
    current = text.charAt(i);
    boolean surrogate = false;
    if (Character.isHighSurrogate(current)
            && i + 1 < len && Character.isLowSurrogate(text.charAt(i + 1))) {
        surrogate = true;
        codePoint = text.codePointAt(i++);
    } else {
        codePoint = current;
    }
    if ((codePoint == 0x9) || (codePoint == 0xA) || (codePoint == 0xD)
            || ((codePoint >= 0x20) && (codePoint <= 0xD7FF))
            || ((codePoint >= 0xE000) && (codePoint <= 0xFFFD))
            || ((codePoint >= 0x10000) && (codePoint <= 0x10FFFF))) {
        sb.append(current);
        if (surrogate) {
            sb.append(text.charAt(i));
        }
    }
}