检查xml文件中包含非法xml字符的个数(java实现)

xml中需要过滤的字符分为两类，一类是不允许出现在xml中的字符，这些字符不在xml的定义范围之内。另一类是xml自身要使用的字符，如果内容中有这些字符则需被替换成别的字符。

第一类字符

对于第一类字符，我们可以通过W3C的XML文档来查看都有哪些字符不被允许出现在xml文档中。

XML允许的字符范围是“#x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]”。因此我们可以把这个范围之外的字符过滤掉。

需要过滤的字符的范围为：

\\x00-\\x08

\\x0b-\\x0c

\\x0e-\\x1f

利用.NET中 Regex的 Replace 方法对字符串中在这3个范围段的字符进行替换，如：

string content = “as fas fasfadfasdfasdf<234234546456″;

content = Regex.Replace(content, “[\\x00-\\x08\\x0b-\\x0c\\x0e-\\x1f]“, “*”);

Response.Write(content);

利用PB8，对这个范围的字符进行过滤如下:

string content = “as fas fasfadfasdfasdf<234234546456″;

int i_count_eliminate=30

char i_spechar_eliminate[]={“~001″ , “~002″ , &

“~003″ , “~004″ , “~005″ , “~006″ , “~007″ , &

“~008″ , “~011″ , “~012″ , “~014″ , “~015″ , &

“~016″ , “~017″ , “~018″ , “~019″ , “~020″ , &

“~021″ , “~022″ , “~023″ , “~024″ , “~025″ , &

“~026″ , “~027″ , “~028″ , “~029″ , “~030″ , &

“~031″ , ‘”‘    , “`”  } //需要消除的字符,将直接替换为空

for vi=1 to i_count_eliminate

vpos=1

vlen=lenw(i_spechar_eliminate[vi])

do while true

vpos = posw(content,i_spechar_eliminate[vi],vpos)

if vpos<1 then exit

content=replacew(content,vpos,vlen,”")

loop

next

第二类字符

对于第二类字符一共有5个，如下：

字符                HTML字符        字符编码

和(and) &        &amp;            &#38;

单引号  ’ &apos;            &#39;

双引号  ”          &quot;            &#34;

大于号  >        &gt;                  &#62;

小于号  <        &lt;                   &#60;

我们只需要对这个五个字符，进行相应的替换就可以了

   

xml支持的字符范围

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

any Unicode character, excluding the surrogate blocks, FFFE, and FFFF.
意思是xml支持的字符范围是任何unicode字符，排除surrogate blocks(代理块),  FFFE和 FFFF.

其中0xD800 至 0xDBFF（高代理high surrogate） 和 0xDC00 至 0xDFFF（低代理low surrogate）被称为surrogate blocks（代理块）

代理块是为了表示增补字符 增补字符是在 [#x10000-#x10FFFF] 范围之间的字符

增补字符是扩展16位unicode不能表示的字符。Unicode 最初设计是作为一种固定宽度的 16 位字符编码。16 位编码的所有 65，536 个字符并不能完全表示全世界所有正在使用或曾经使用的字符。于是，Unicode 标准扩展到包含多达 1，112，064 个字符，这些扩展字符就是增补字符。

XMLCheck用于检查xml文件中包含非法xml字符的个数。

使用方法 XMLCheck filename

import java.io.*;

public class XMLCheck {

 /**
  * @author lxn
  *
  */
 public static void main(String[] args) throws IOException{
 
  if(args.length == 0)
  {
   System.out.print("Usage: XMLCheck filename");
   return;
  }
 
 
  File xmlFile = new File(args[0]);
  if(!xmlFile.exists())
  {
   System.out.print("File not exist");
   return;
  }
 
  //输入xml文件
  BufferedReader  in = new BufferedReader(new FileReader(xmlFile));
  String s;
  StringBuilder xmlSb = new StringBuilder();
  //xml文件转换成String
  while((s = in.readLine())!=null)
   xmlSb.append(s+"\n");
  in.close();
  String xmlString = xmlSb.toString();
  // TODO Auto-generated method stub
  //无特殊字符的
  //int i = checkCharacterData("<?xml version=\"1.0\" encoding=\"gbk\"?><CC>卡号</CC>");
  //有特殊字符的
  //int i = checkCharacterData("<?xml version=\"1.0\" encoding=\"gbk\"?><CC>\u001E卡号</CC>");
 
  int errorChar = checkCharacterData(xmlString);
  System.out.println("This XML　file contain "+errorChar+" errorChar.");
 }
 
 //判断字符串中是否有非法字符
 public static int checkCharacterData(String text){
  int errorChar=0;
  if(text==null){
   return errorChar;
  }
  char[] data = text.toCharArray();
  for(int i=0,len=data.length;i<len;i++){
   char c = data[i];
   int result=c;
   //先判断是否在代理范围（surrogate blocks）
   //增补字符编码为两个代码单元，
   //第一个单元来自于高代理（high surrogate）范围（0xD800 至 0xDBFF），
   //第二个单元来自于低代理（low surrogate）范围（0xDC00 至 0xDFFF）。
   if(result>=0xD800 && result<=0xDBFF){
    //解码代理对（surrogate pair）
    int high = c;
    try{
     int low=text.charAt(i+1);
   
     if(low<0xDC00||low>0xDFFF){
      char ch=(char)low;
     }
     //unicode说明定义的算法 计算出增补字符范围0x10000 至 0x10FFFF
     //即若result是增补字符集，应该在0x10000到0x10FFFF之间，isXMLCharacter中有判断
     result = (high-0xD800)*0x400+(low-0xDC00)+0x10000;
     i++;
    }
    catch(Exception e){
     e.printStackTrace();
    }
   }
   if(!isXMLCharacter(result)){
     errorChar++;
   }
  }
   return errorChar;
 }
 private static boolean isXMLCharacter(int c){
  //根据xml规范中的Character Range检测xml不支持的字符
  if(c <= 0xD7FF){
   if(c >= 0x20)return true;
   else{
    if (c == '\n') return true;
    if (c == '\r') return true;
    if (c == '\t') return true;
    return false;
   }
  }
  if (c < 0xE000) return false;  if (c <= 0xFFFD) return true;
  if (c < 0x10000) return false;  if (c <= 0x10FFFF) return true;
    return false;
 }

}