Ben gibi dizeleri tutan bazı XML ile çalışıyorum:

<node>This is a string</node>

Ben düğümlerine geçen olduğumu dizeleri bazıları olacak karakterler gibi &, #, $, vb .:

<node>This is a string & so is this</node>

Bu, nedeniyle geçerli değil &.

Bu dizeleri oldukları gibi olması gerektiği gibi CDATA içine saramıyorum. Bir CDATA olmadan XML düğümlerine konamaz karakterlerin bir listesini aramaya çalıştım.

Birisi beni birinin yönünde gösterebilir veya bana yasadışı karakterlerin bir listesini verebilir mi?

Sadece yasadışı karakterler &, <ve >(aynı zamanda "ya 'özniteliklerde).

Onlar kullanarak kurtuldu olduğunuz XML girdileri istediğiniz bu durumda, &için &.

Gerçekten de, sizin için XML yazan ve bu tür şeyleri sizin için soyutlayan bir araç veya kütüphane kullanmalısınız, böylece endişelenmenize gerek kalmaz.

Tamam, şu karakterler sorununu ayıralım:

1. hiçbir XML belgesinde hiç geçerli değildir.
2. kaçmak gerekiyor.

@Dolmen tarafından "XML'de geçersiz karakterler nelerdir " bölümünde verilen yanıt hala geçerlidir, ancak XML 1.1 belirtimiyle güncellenmesi gerekir.

1. Geçersiz karakterler

Burada açıklanan karakterler, bir XML belgesine eklenmesine izin verilen tüm karakterlerdir.

1.1. XML 1.0'da

• Referans: bakınız XML öneri 1.0, §2.2 Karakterler

İzin verilen karakterlerin genel listesi:

[2] Char ::= #x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF] /* any Unicode character, excluding the surrogate blocks, FFFE, and FFFF. */

Temel olarak, Unicode aralıklarının dışındaki kontrol karakterlerine ve karakterlere izin verilmez. Bu aynı zamanda, örneğin karakter varlığının çağrılmasının yasak olduğu anlamına da gelir .

1.2. XML 1.1'de

• Referans: bkz. XML öneri 1.1, §2.2 Karakterler ve 1.3 Gerekçe ve XML 1.1 için değişiklik listesi

İzin verilen karakterlerin genel listesi:

[2] Char ::= [#x1-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF] /* any Unicode character, excluding the surrogate blocks, FFFE, and FFFF. */

[2a] RestrictedChar ::= [#x1-#x8] | [#xB-#xC] | [#xE-#x1F] | [#x7F-#x84] | [#x86-#x9F]

XML önerisinin bu revizyonu izin verilen karakterleri genişletti, bu yüzden kontrol karakterlerine izin verildi ve Unicode standardının yeni bir revizyonunu dikkate alıyor, ancak bunlara hala izin verilmiyor: NUL (x00) , xFFFE , xFFFF ...

Ancak, kontrol karakterleri ve tanımsız Unicode karakter kullanımı önerilmez.

Tüm ayrıştırıcıların bunu her zaman dikkate almadığı ve kontrol karakterlerine sahip XML belgelerinin reddedilebileceği de görülebilir.

2. Kaçması gereken karakterler (iyi biçimlendirilmiş bir belge elde etmek için):

<Bir öncelenmelidir <bir etiketi başlangıcı olarak kabul edildiğinden, varlık.

&Bir öncelenmelidir &o başlayan bir varlık referans olarak kabul edildiğinden, varlık

>İle kaçtı edilmelidir >varlık. Zorunlu değildir - bağlama bağlıdır - ancak kaçması şiddetle tavsiye edilir.

'Bir ile kaçan edilmelidir 'varlık - tek tırnak içinde tanımlanmış özelliklerde bulunan zorunlu ama kuvvetle hep ondan kaçmak için tavsiye edilir.

"Bir ile kaçan edilmelidir "varlık - çift tırnak içinde tanımlanmış özelliklerde bulunan zorunlu ama kuvvetle hep ondan kaçmak için tavsiye edilir.

Geçerli karakterlerin listesi XML spesifikasyonundadır :

Char       ::=      #x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]  /* any Unicode character, excluding the surrogate blocks, FFFE, and FFFF. */

Bu, bir dizeden XML geçersiz karakterlerini kaldırmak ve yeni bir geçerli dize döndürmek için bir C # kodudur.

public static string CleanInvalidXmlChars(string text) 
{ 
    // From xml spec valid chars: 
    // #x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]     
    // any Unicode character, excluding the surrogate blocks, FFFE, and FFFF. 
    string re = @"[^\x09\x0A\x0D\x20-\uD7FF\uE000-\uFFFD\u10000-\u10FFFF]"; 
    return Regex.Replace(text, re, ""); 
}

Tahmini karakterler:

& < > " '

Daha fazla bilgi için bkz. " XML'deki özel karakterler nelerdir? "

Buna ek olarak, bir CDATA bloğu kullanarak kaçmak istiyorsanız.

Metninizi bir CDATA bloğuna koyarsanız, kaçmayı kullanmanız gerekmez . Bu durumda , aşağıdaki aralıktaki tüm karakterleri kullanabilirsiniz :

Not: Bunun da ötesinde, ]]>karakter dizisini kullanmanıza izin verilmez . Çünkü CDATA bloğunun sonu ile eşleşir.

Hala geçersiz karakterler (örn. Kontrol karakterleri) varsa, muhtemelen bir tür kodlama kullanmak daha iyidir (örneğin base64).

C # 'da potansiyel olarak istenmeyen XML / XHTML karakterlerinden kaçmanın bir diğer kolay yolu:

WebUtility.HtmlEncode(stringWithStrangeChars)

C # 'da hatalı XML karakterlerini kaldırmanın başka bir yolu da XmlConvert.IsXmlChar(.NET Framework 4.0'dan beri kullanılabilir )

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

veya tüm karakterlerin XML için geçerli olup olmadığını kontrol edebilirsiniz:

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

Net Fiddle

Örneğin, dikey sekme sembolü ( \v) XML için geçerli değildir, geçerli UTF-8'dir, ancak geçerli XML 1.0 değildir ve hatta birçok kitaplık (libxml2 dahil) onu özler ve sessizce geçersiz XML çıktısı verir.

Özet olarak, metindeki geçerli karakterler:

• sekmesi, satır besleme ve satır başı.
• ve dışındaki tüm kontrol dışı karakterler geçerlidir .&<
• >aşağıdaki durumlarda geçerli değildir ]].

XML spesifikasyonunun 2.2 ve 2.4 bölümleri cevabı ayrıntılı olarak sağlar:

Karakterler

Yasal karakterler sekme, satır başı, satır besleme ve Unicode ve ISO / IEC 10646'nın yasal karakterleri

Karakter verileri

Ve işareti karakteri (&) ve sol açılı ayraç (<), biçimlendirme sınırlayıcılar olarak veya bir yorum, işleme talimatı veya bir CDATA bölümü dahilinde kullanıldığı durumlar dışında, tam anlamıyla görünmemelidir. Başka bir yere ihtiyaç duyulursa, ya sayısal karakter referansları ya da sırasıyla "&" ve "<" dizeleri kullanılarak kaçılmalıdır. Sağ açılı ayraç (>) ">" dizesi kullanılarak temsil edilebilir ve uyumluluk için içerikte ">" veya "]]>" dizesinde göründüğünde bir karakter başvurusu kullanılarak kaçılmalıdır. dize bir CDATA bölümünün sonunu işaretlemiyor.

" XmlWriter ve daha düşük ASCII karakterleri " benim için çalıştı

string code = Regex.Replace(item.Code, @"[\u0000-\u0008,\u000B,\u000C,\u000E-\u001F]", "");

ampersand (&) is escaped to &

double quotes (") are escaped to "

single quotes (') are escaped to ' 

less than (<) is escaped to &lt; 

greater than (>) is escaped to &gt;

C # 'da, bu geçersiz karakterlerden kaçmak için System.Security.SecurityElement.Escapeveya System.Net.WebUtility.HtmlEncodetuşlarını kullanın .

string xml = "<node>it's my \"node\" & i like it 0x12 x09 x0A  0x09 0x0A <node>";
string encodedXml1 = System.Security.SecurityElement.Escape(xml);
string encodedXml2= System.Net.WebUtility.HtmlEncode(xml);


encodedXml1
"&lt;node&gt;it&apos;s my &quot;node&quot; &amp; i like it 0x12 x09 x0A  0x09 0x0A &lt;node&gt;"

encodedXml2
"&lt;node&gt;it&#39;s my &quot;node&quot; &amp; i like it 0x12 x09 x0A  0x09 0x0A &lt;node&gt;"

Java milletlerinde Apache, XML objeleri kullanarak bir dizedeki karakterlerden kaçmak için kullanılabilecek StringEscapeUtilsbir yardımcı yönteme sahip bir yardımcı program sınıfına ( ) sahiptir escapeXml.

Woodstox XML işlemcisinde geçersiz karakterler bu kodla sınıflandırılır:

if (c == 0) {
    throw new IOException("Invalid null character in text to output");
}
if (c < ' ' || (c >= 0x7F && c <= 0x9F)) {
    String msg = "Invalid white space character (0x" + Integer.toHexString(c) + ") in text to output";
    if (mXml11) {
        msg += " (can only be output using character entity)";
    }
    throw new IOException(msg);
}
if (c > 0x10FFFF) {
    throw new IOException("Illegal unicode character point (0x" + Integer.toHexString(c) + ") to output; max is 0x10FFFF as per RFC");
}
/*
 * Surrogate pair in non-quotable (not text or attribute value) content, and non-unicode encoding (ISO-8859-x,
 * Ascii)?
 */
if (c >= SURR1_FIRST && c <= SURR2_LAST) {
    throw new IOException("Illegal surrogate pair -- can only be output via character entities, which are not allowed in this content");
}
throw new IOException("Invalid XML character (0x"+Integer.toHexString(c)+") in text to output");

Buradan kaynak

Bunu deneyen var System.Security.SecurityElement.Escape(yourstring)mı? Bu, bir dizedeki geçersiz XML karakterlerini geçerli eşdeğerleriyle değiştirir.

XSL için (gerçekten tembel günlerde) kullanıyorum:

capture="&(?!amp;)" capturereplace="&"

follwed olmayan tüm & işaretlerini çevirmek; uygun olanlara.

Girişin CDATA'da olduğu ancak XML'yi kullanan sistemin girişi dikkate almadığı durumlarımız var. Özensiz bir düzeltme, dikkat et ...