Pracuję z niektórymi plikami XML, które przechowują ciągi, takie jak:

<node>This is a string</node>

Niektóre z tych łańcuchów, które mam przechodzących do węzłów będą miały znaków podoba &, #, $itp .:

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

To nie jest ważne z powodu &.

Nie mogę zawinąć tych ciągów w CDATA, ponieważ muszą być takie, jakie są. Próbowałem znaleźć listę znaków, których nie można umieścić w węzłach XML bez posiadania CDATA.

Czy ktoś może skierować mnie w jedną stronę lub dostarczyć listę nielegalnych postaci?

Jedyne znaki są nielegalne &, <a >(jak również "czy 'w atrybutach).

Oni uciekł korzystając podmioty XML , w tym przypadku chcesz &za &.

Naprawdę powinieneś jednak użyć narzędzia lub biblioteki, która pisze dla ciebie XML i abstraktuje tego rodzaju rzeczy, abyś nie musiał się tym martwić.

OK, oddzielmy pytanie o znaki, które:

1. nie są w ogóle ważne w żadnym dokumencie XML.
2. trzeba uciec.

Odpowiedź udzielona przez @dolmen w „ Co to są nieprawidłowe znaki w XML ” jest nadal aktualna, ale musi zostać zaktualizowana zgodnie ze specyfikacją XML 1.1.

1. Niepoprawne znaki

Opisane tutaj znaki to wszystkie znaki, które można wstawić do dokumentu XML.

1.1 W XML 1.0

• Odniesienie: patrz zalecenie XML 1.0, §2.2 Znaki

Globalna lista dozwolonych znaków to:

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

Zasadniczo znaki sterujące i znaki spoza zakresu Unicode są niedozwolone. Oznacza to również, że wywołanie na przykład encji znakowej jest zabronione.

1.2 W XML 1.1

• Odniesienie: patrz zalecenie XML 1.1, §2.2 Znaki oraz 1.3 Uzasadnienie i lista zmian dla XML 1.1

Globalna lista dozwolonych znaków to:

[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]

Ta wersja zalecenia XML rozszerzyła dozwolone znaki, więc znaki kontrolne są dozwolone, i uwzględnia nową wersję standardu Unicode, ale te wciąż są niedozwolone: NUL (x00) , xFFFE , xFFFF ...

Jednak stosowanie znaków kontrolnych i niezdefiniowanych znaków Unicode jest odradzane.

Można również zauważyć, że wszystkie parsery nie zawsze uwzględniają to, a dokumenty XML ze znakami kontrolnymi mogą zostać odrzucone.

2. Znaki, które należy uciec (aby uzyskać dobrze sformułowany dokument):

<Musi być uciekł z <jednostki, gdyż przyjmuje się za początek znacznika.

&Musi być uciekł z &jednostki, gdyż przyjmuje się za początek odesłanie podmiot

>Należy uciekł z> jednostki. Nie jest to obowiązkowe - zależy od kontekstu - ale zdecydowanie zaleca się jego uniknięcie.

'Należy uciekł z A' jednostki - Obowiązkowe w atrybutach zdefiniowanych w apostrofach ale zaleca się, aby zawsze przed nim uciec.

"Należy uciekł z "jednostki - Obowiązkowe w atrybutach zdefiniowanych wewnątrz cudzysłowów, ale zaleca się, aby zawsze przed nim uciec.

Lista prawidłowych znaków znajduje się w specyfikacji XML :

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

Jest to kod C #, aby usunąć niepoprawne znaki XML z ciągu i zwrócić nowy prawidłowy ciąg.

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, ""); 
}

Wstępnie zadeklarowane postacie to:

& < > " '

Aby uzyskać więcej informacji, zobacz „ Jakie są znaki specjalne w XML? ”.

Oprócz odpowiedzi potame, jeśli chcesz uciec za pomocą bloku CDATA.

Jeśli umieścisz tekst w bloku CDATA, nie musisz używać klawisza zmiany znaczenia . W takim przypadku możesz użyć wszystkich znaków z następującego zakresu :

Uwaga: Ponadto nie możesz używać ]]>sekwencji znaków. Ponieważ pasowałby do końca bloku CDATA.

Jeśli nadal występują nieprawidłowe znaki (np. Znaki kontrolne), prawdopodobnie lepiej jest użyć pewnego rodzaju kodowania (np. Base64).

Innym łatwym sposobem na uniknięcie potencjalnie niechcianych znaków XML / XHTML w C #:

WebUtility.HtmlEncode(stringWithStrangeChars)

Innym sposobem na usunięcie niepoprawnych znaków XML w języku C # XmlConvert.IsXmlChar(dostępne od .NET Framework 4.0)

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

lub możesz sprawdzić, czy wszystkie znaki są poprawne XML:

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

.Net Fiddle

Na przykład pionowy symbol tabulacji ( \v) nie jest poprawny dla XML, jest poprawny UTF-8, ale nie jest poprawny XML 1.0, a nawet wielu bibliotekom (w tym libxml2) brakuje go i cicho wyprowadza nieprawidłowy XML.

Podsumowując, prawidłowe znaki w tekście to:

• tab, podawanie wiersza i powrót karetki.
• wszystkie znaki niekontrolujące są poprawne, z wyjątkiem & i< .
• >nie jest ważny, jeśli następuje ]].

Sekcje 2.2 i 2.4 specyfikacji XML zawierają szczegółową odpowiedź:

Postacie

Prawnymi znakami są tabulator, znak powrotu karetki, przesunięcie wiersza oraz prawne znaki Unicode i ISO / IEC 10646

Dane postaci

Znak ampersand (&) i lewy nawias kątowy (<) nie mogą występować w postaci dosłownej, z wyjątkiem przypadków, gdy są używane jako ograniczniki znaczników lub w komentarzu, instrukcji przetwarzania lub sekcji CDATA. Jeśli są potrzebne gdzie indziej, należy je uciec za pomocą odwołań do znaków numerycznych lub odpowiednio ciągów znaków „&” i „<”. Nawias prostokątny (>) może być reprezentowany za pomocą ciągu „>” i, dla kompatybilności, musi być poprzedzony znakiem „>” lub odwołaniem do znaku, gdy pojawia się w ciągu „]]>„ w treści, gdy to ciąg nie oznacza końca sekcji CDATA.

„ XmlWriter i niższe znaki ASCII ” działały dla mnie

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;

W języku C # użyj System.Security.SecurityElement.Escapelub, System.Net.WebUtility.HtmlEncodeaby uciec przed tymi nielegalnymi postaciami.

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;"

Dla ludzi Javy Apache ma klasę narzędziową ( StringEscapeUtils), która ma metodę pomocniczą, escapeXmlktórej można użyć do zmiany znaczenia znaków w ciągu za pomocą encji XML.

W procesorze XML Woodstox nieprawidłowe znaki są klasyfikowane według tego kodu:

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");

Źródło stąd

Ktoś tego próbował System.Security.SecurityElement.Escape(yourstring)? Spowoduje to zastąpienie niepoprawnych znaków XML w łańcuchu ich prawidłowym odpowiednikiem.

Do XSL (w naprawdę leniwe dni) używam:

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

tłumaczyć wszystkie znaki, które nie są obserwowane na stronie; do właściwych.

Mamy przypadki, w których dane wejściowe są w formacie CDATA, ale system, który używa XML, nie bierze tego pod uwagę. To niechlujna poprawka, uważaj ...