在 Java 中去除无效的 XML 字符

java xml

2022-09-01 13:06:57

我有一个XML文件，它是数据库的输出。我正在使用Java SAX解析器来解析XML并以不同的格式输出它。XML 包含一些无效字符，并且解析器会引发错误，例如“无效的 Unicode 字符（0x5）”

除了逐行预处理文件并替换它们之外，有没有一种好方法可以去除所有这些字符？到目前为止，我遇到了3个不同的无效字符（0x5，0x6和0x7）。这是一个~4gb的数据库转储，我们将处理它很多次，所以每次我们得到一个新的转储来运行预处理器时，都必须等待额外的30分钟，这将是一个痛苦，这不是我第一次遇到这个问题。

答案 1

我用了Xalan类：org.apache.xml.utils.XMLChar

public static String stripInvalidXmlCharacters(String input) {
    StringBuilder sb = new StringBuilder();
    for (int i = 0; i < input.length(); i++) {
        char c = input.charAt(i);
        if (XMLChar.isValid(c)) {
            sb.append(c);
        }
    }

    return sb.toString();
}

答案 2

我个人没有使用过这个，但Atlassian制作了一个命令行XML清理器，可能适合您的需求（它主要是为JIRA制作的，但XML是XML）：

下载 atlassian-xml-cleaner-0.1.jar

打开 DOS 控制台或 shell，然后在您的计算机上找到 XML 或 ZIP 备份文件，此处假定为数据.xml

Run： java -jar atlassian-xml-clean-0.1.jar data.xml > data-clean.xml

这会将数据的副本写入数据.xml.xml，并删除无效字符。