发现无效的 XML 字符（Unicode：0xc）

Question

使用 Java DOM 解析器解析 XML 文件会产生：

[Fatal Error] os__flag_8c.xml:103:135: An invalid XML character (Unicode: 0xc) was found in the element content of the document.
org.xml.sax.SAXParseException: An invalid XML character (Unicode: 0xc) was found in the element content of the document.
    at com.sun.org.apache.xerces.internal.parsers.DOMParser.parse(Unknown Source)
    at com.sun.org.apache.xerces.internal.jaxp.DocumentBuilderImpl.parse(Unknown Source)
    at javax.xml.parsers.DocumentBuilder.parse(Unknown Source)

Answer 1

即使您将数据封装在 CDATA 块中，也有一些字符在 XML 文档中是不允许的。

如果您生成了文档，则需要对其进行实体编码或删除。如果您有错误的文档，您应该在尝试解析它之前删除这些字符。

请参阅 dolmens 在此线程中的回答：XML 中的无效字符

他链接到本文的位置：http://www.w3.org/TR/xml/#charsets

基本上，所有字符以下不允许使用 0x20，但 0x9 (TAB)、0xA (CR?)、0xD (LF?) 除外

Answer 2

public String stripNonValidXMLCharacters(String in) {
    StringBuffer out = new StringBuffer(); // Used to hold the output.
    char current; // Used to reference the current character.

    if (in == null || ("".equals(in))) return ""; // vacancy test.
    for (int i = 0; i < in.length(); i++) {
        current = in.charAt(i); // NOTE: No IndexOutOfBoundsException caught here; it should not happen.
        if ((current == 0x9) ||
            (current == 0xA) ||
            (current == 0xD) ||
            ((current >= 0x20) && (current <= 0xD7FF)) ||
            ((current >= 0xE000) && (current <= 0xFFFD)) ||
            ((current >= 0x10000) && (current <= 0x10FFFF)))
            out.append(current);
    }
    return out.toString();
}    

Answer 3

每当无效的 xml 字符出现在 xml 中时，就会出现这样的错误。当你在记事本++中打开它时，它看起来像 VT、SOH、FF，就像这些是无效的 xml 字符。我正在使用 xml 版本 1.0，并且在按模式将文本数据输入数据库之前验证文本数据

Pattern p = Pattern.compile("[^\u0009\u000A\u000D\u0020-\uD7FF\uE000-\uFFFD\u10000-\u10FFF]+"); 
retunContent = p.matcher(retunContent).replaceAll("");

它将确保不会在 xml 中输入无效的特殊字符

Answer 4

字符 0x0C 在 XML 1.0 中无效，但在 XML 1.1 中是有效字符。因此，除非 xml 文件在序言中将版本指定为 1.1，否则它就是无效的，您应该向该文件的生产者投诉。

Answer 5

您可以使用自定义 FilterReader 类过滤所有“无效”字符：

public class InvalidXmlCharacterFilter extends FilterReader {

    protected InvalidXmlCharacterFilter(Reader in) {
        super(in);
    }

    @Override
    public int read(char[] cbuf, int off, int len) throws IOException {
        int read = super.read(cbuf, off, len);
        if (read == -1) return read;

        for (int i = off; i < off + read; i++) {
            if (!XMLChar.isValid(cbuf[i])) cbuf[i] = '?';
        }
        return read;
    }
}

并像这样运行它：

InputStream fileStream = new FileInputStream(xmlFile);
Reader reader = new BufferedReader(new InputStreamReader(fileStream, charset));
InvalidXmlCharacterFilter filter = new InvalidXmlCharacterFilter(reader);
InputSource is = new InputSource(filter);
xmlReader.parse(is);

Answer 6

在 UTF-8 上，不允许使用这些范围内的所有代码，对于 XML 1.0：

• 0..8
• B..C
• E..1F
• D800..DFFF
• FFFE..FFFF

可以删除 then 的正则表达式为：

text.replaceAll('[\\x{0}-\\x{8}]|[\\x{B}-\\x{C}]|[\\x{E}-\\x{1F}]|[\\x{D800}-\\x{DFFF}]|[\\x{FFFE}-\\x{FFFF}]', "")

注意：如果如果您正在使用 XML 1.1，您还需要删除这些间隔：

• 7F..84
• 86..9F

参考：

• XML 1.0 字符：https://www.w3.org/TR/xml/#charsets
• XML 1.1 字符：https://www.w3.org/TR/xml11/#charsets

Answer 7

我刚刚使用了这个项目，发现它非常方便： https://github.com/rwitzel/streamflyer

如文档所述，使用 InvalidXmlCharacterModifier。

就像这个例子：

public String stripNonValidXMLCharacters(final String in) {

  final Modifier modifier = new InvalidXmlCharacterModifier("",
    InvalidXmlCharacterModifier.XML_10_VERSION);

  final ModifyingReader modifyingReader = 
         new ModifyingReader(new StringReader(in), modifier);

  return IOUtils.toString(modifyingReader);
}

Answer 8

我遇到了类似的问题，XML 包含控制字符。查看代码后，我发现使用了一个已弃用的类 StringBufferInputStream 来读取字符串内容。

http://docs.oracle.com/javase/7 /docs/api/java/io/StringBufferInputStream.html

This class does not properly convert characters into bytes. As of JDK 1.1, the preferred way to create a stream from a string is via the StringReader class.

我将其更改为 ByteArrayInputStream 并且工作正常。

Answer 9

对于将字节数组读入 String 并尝试使用 JAXB 转换为对象的人，您可以通过从字节数组创建 String 来添加“iso-8859-1”编码，如下所示：

String JAXBallowedString= new String(byte[] input, " ISO-8859-1”）；

这会将冲突的字节替换为 JAXB 可以处理的单字节编码。显然这个解决方案只是解析xml。

Answer 10

所有这些答案似乎都假设用户正在生成错误的 XML，而不是从 gSOAP 接收它，gSOAP 应该更清楚！

Answer 11

今天，我遇到了类似的错误：

Servlet.service() for servlet [remoting] in context with path [/***] throwed exception [请求处理失败；嵌套异常是 java.lang.RuntimeException: buildDocument failed.] 其根本原因
org.xml.sax.SAXParseException;行号：19；列数：91；在属性“text”的值中发现无效的 XML 字符（Unicode：0xc），元素为“label”。

---

在我第一次遇到错误后，我手动重新输入了整行，所以特殊字符无法潜入，并且 Notepad++ 没有显示任何不可打印的字符（白底黑字），尽管如此，我一遍又一遍地遇到相同的错误。

当我查找我所做的与前任不同的事情时，结果发现这是在结束之前多了一个空格 /> （据我所知，推荐用于较旧的解析器，但根据 XML 标准，无论如何它都不会有任何区别）：

当我删除空格时：

一切正常。

---

所以这绝对是一个误导性的错误消息。

Answer 12

org.xml.sax.SAXParseException 包含现有的无效字符行号和列号。

要捕获并记录此详细信息：

try {
        DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();

        DocumentBuilder builder = factory.newDocumentBuilder();
        InputStream inputStream = new FileInputStream(path);
        Document document = builder.parse(inputStream);

    } catch (SAXParseException e) {
        logger.error("Xml parse error, cause of the line number: {}, column number: {} .", e.getLineNumber(), e.getColumnNumber(), e);
    }