从流中过滤/删除无效的 xml 字符

Question

首先，我无法更改 xml 的输出，它是由第三方生成的。他们在 xml 中插入无效字符。我得到了 xml 字节流表示形式的 InputStream。除了将流消耗到字符串中并对其进行处理之外，是否有一种更干净的方法来过滤掉有问题的字符？我发现了这个： 使用 FilterReader 但是这对我不起作用，因为我有字节流而不是字符流。

无论如何，这都是 jaxb 解组过程的一部分，以防万一提供选项。

如果它有不好的字符，我们不愿意扔掉整个流。我们决定删除它们并继续。

这是我尝试构建的 FilterReader。

public class InvalidXMLCharacterFilterReader extends FilterReader {

    private static final Log LOG = LogFactory
    .getLog(InvalidXMLCharacterFilterReader.class);

    public InvalidXMLCharacterFilterReader(Reader in) {
        super(in);
    }

    public int read() throws IOException {
        char[] buf = new char[1];
        int result = read(buf, 0, 1);
        if (result == -1)
        return -1;
        else
        return (int) buf[0];
    }

    public int read(char[] buf, int from, int len) throws IOException {
        int count = 0;
        while (count == 0) {
            count = in.read(buf, from, len);
            if (count == -1)
                return -1;

            int last = from;
            for (int i = from; i < from + count; i++) {
                LOG.debug("" + (char)buf[i]);
                if(!isBadXMLChar(buf[i])) {
                    buf[last++] = buf[i];
                }
            }

            count = last - from;
        }
        return count;
    }

    private boolean isBadXMLChar(char c) {
        if ((c == 0x9) ||
            (c == 0xA) ||
            (c == 0xD) ||
            ((c >= 0x20) && (c <= 0xD7FF)) ||
            ((c >= 0xE000) && (c <= 0xFFFD)) ||
            ((c >= 0x10000) && (c <= 0x10FFFF))) {
            return false;
        }
        return true;
    }

}

下面是我如何解组它：

jaxbContext = JAXBContext.newInstance(MyObj.class);
Unmarshaller unMarshaller = jaxbContext.createUnmarshaller();
Reader r = new InvalidXMLCharacterFilterReader(new BufferedReader(new InputStreamReader(is, "UTF-8")));
MyObj obj = (MyObj) unMarshaller.unmarshal(r);

以及一些错误的 xml 示例

<?xml version="1.0" encoding="UTF-8" ?>
<foo>
    bar&#x01;
</foo>

Answer 1

为了使用过滤器执行此操作，过滤器需要能够识别 XML 实体，因为（至少在您的示例中并且有时可能在实际使用中）坏字符作为实体存在于 xml 中。

过滤器将您的实体视为由 6 个完全可接受的字符组成的序列，因此不会剥离它们。

破坏 JAXB 的转换将在此过程的后期发生。