Unicode Regex; Неверные символы XML

Question

Список допустимых символов XML хорошо известен, как определено в спецификации:

#x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]

Мой вопрос заключается в том, возможно ли сделать регулярное выражение PCRE для этого (или его обратного) без фактического жесткого кодирования кодовых точек, используя общие категории Unicode. Инверс может быть чем-то вроде [\ p {Cc} \ p {Cs} \ p {Cn}], за исключением того, что неправильно покрывает перевод строки и табуляции и пропускает некоторые другие недопустимые символы.

Answer 1

Я знаю, что это не совсем ответ на ваш вопрос, но полезно иметь его здесь:

Регулярное выражение для соответствия действительное XML-символы:

[\u0009\u000a\u000d\u0020-\uD7FF\uE000-\uFFFD]

Таким образом, чтобы удалить недействительных символов из XML, вы должны сделать что-то вроде

// filters control characters but allows only properly-formed surrogate sequences
private static Regex _invalidXMLChars = new Regex(
    @"(?<![\uD800-\uDBFF])[\uDC00-\uDFFF]|[\uD800-\uDBFF](?![\uDC00-\uDFFF])|[\x00-\x08\x0B\x0C\x0E-\x1F\x7F-\x9F\uFEFF\uFFFE\uFFFF]",
    RegexOptions.Compiled);

/// <summary>
/// removes any unusual unicode characters that can't be encoded into XML
/// </summary>
public static string RemoveInvalidXMLChars(string text)
{
    if (string.IsNullOrEmpty(text)) return "";
    return _invalidXMLChars.Replace(text, "");
}

У меня был наш резидентский гений в области регулярных выражений / XML, он из 4400+ постов с голосованием , проверьте это, и он подписал его.

Answer 2

Для систем, которые внутренне хранят кодовые точки в UTF-16 , обычно используют суррогатные пары (xD800-xDFFF) для кодовых точек выше 0xFFFF, и в этих системах вы должны проверить, действительно ли вы можете использовать для пример \ u12345 или должен указать это как суррогатную пару. (Я только что узнал, что в C # вы можете использовать \ u1234 (16 бит) и \ U00001234 (32 бит) )

Согласно Microsoft «рекомендация W3C не допускает использование суррогатных символов в именах элементов или атрибутов». При поиске на сайте W3s я нашел C079 и C078 , которые могут представлять интерес.

Answer 3

Я пробовал это в Java, и это работает:

private String filterContent(String content) {
    return content.replaceAll("[^\\u0009\\u000a\\u000d\\u0020-\\uD7FF\\uE000-\\uFFFD]", "");
}

Спасибо, Джефф.

Answer 4

Приведенные выше решения не сработали, если в xml присутствовал шестнадцатеричный код. например

<element>&#x8;</element>

Следующий код сломается:

string xmlFormat = "<element>{0}</element>";
string invalid = " &#x8;";
string xml = string.Format(xmlFormat, invalid);
xml = Regex.Replace(xml, @"[\x01-\x08\x0B\x0C\x0E\x0F\u0000-\u0008\u000B\u000C\u000E-\u001F]", "");
XDocument.Parse(xml);

Возвращает:

XmlException : '', шестнадцатеричное значение 0x08, является недопустимым символом. Строка 1, позиция 14.

Следующее является улучшенным регулярным выражением и исправило проблему, упомянутую выше:

& # х ([0-8BCEFbcef] | 1 [0-9A-Fa-е]); | [\ x01- \ x08 \ x0B \ x0C \ x0E \ X0F \ u0000- \ u0008 \ u000B \ \ u000C u000E- \ u001F]

Вот модульный тест для первых 300 символов Юникода и проверка удаления только недопустимых символов:

[Fact]
        public void validate_that_RemoveInvalidData_only_remove_all_invalid_data()
        {
            string xmlFormat = "<element>{0}</element>";
            string[] allAscii = (Enumerable.Range('\x1', 300).Select(x => ((char)x).ToString()).ToArray());
            string[] allAsciiInHexCode = (Enumerable.Range('\x1', 300).Select(x => "&#x" + (x).ToString("X") + ";").ToArray());
            string[] allAsciiInHexCodeLoweCase = (Enumerable.Range('\x1', 300).Select(x => "&#x" + (x).ToString("x") + ";").ToArray());

            bool hasParserError = false;
            IXmlSanitizer sanitizer = new XmlSanitizer();

            foreach (var test in allAscii.Concat(allAsciiInHexCode).Concat(allAsciiInHexCodeLoweCase))
            {
                bool shouldBeRemoved = false;
                string xml = string.Format(xmlFormat, test);
                try
                {
                    XDocument.Parse(xml);
                    shouldBeRemoved = false;
                }
                catch (Exception e)
                {
                    if (test != "<" && test != "&") //these char are taken care of automatically by my convertor so don't need to test. You might need to add these.
                    {
                        shouldBeRemoved = true;
                    }
                }
                int xmlCurrentLength = xml.Length;
                int xmlLengthAfterSanitize = Regex.Replace(xml, @"&#x([0-8BCEF]|1[0-9A-F]);|[\u0000-\u0008\u000B\u000C\u000E-\u001F]", "").Length;
                if ((shouldBeRemoved && xmlCurrentLength == xmlLengthAfterSanitize) //it wasn't properly Removed
                    ||(!shouldBeRemoved && xmlCurrentLength != xmlLengthAfterSanitize)) //it was removed but shouldn't have been
                {
                    hasParserError = true;
                    Console.WriteLine(test + xml);
                }
            }
            Assert.Equal(false, hasParserError);
        }

Answer 5

Другой способ удалить неправильные символы XML в C # с помощью XmlConvert.IsXmlChar Method (Доступно с .NET Framework 4.0)

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

или вы можете проверить, что все символы действительны в формате XML.

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

.Net Fiddle - https://dotnetfiddle.net/v1TNus

Например, символ вертикальной табуляции (\ v) недопустим для XML, это допустимый UTF-8, но не допустимый XML 1.0, и даже многие библиотеки (включая libxml2) пропускают его и без вывода сообщений выводят недопустимый XML.