xml解析、写入遇到的坑

Java基础

浏览数:274

2019-9-4

前言

最近在看一个线上xml文件导出的问题,需求如下:
从我们平台导出一个后缀为tmx的术语语料数据(实际内容为xml文件),然后导入到其他第三方平台发现无法导入。
从其他平台导入的tmx文件无法导入到我们平台。

因为第三方平台并没有提示哪里出错,所以这里还是用了一点时间来定位问题,主要问题有以下两点:

  • 读取和写入的时候没有注意到用户输入或导出的xml中包含特殊字符
  • 导出为xml时没有将一些非法字符过滤掉

问题一: 过滤特殊标签

  • <
  • >
  • &

这些特殊标签在xml中都需要转义才能够使用,对应的转义列表如下:

问题二:过滤非法标签

这个是在导入时报了一个错:An invalid XML character (Unicode: 0x**) was found in the comment.
最后查找才知道这个是解析的xml中有特殊字符,或者称为乱码。(xml格式为UTF-8 BOM)
一般是因为xml中有些不可见的特殊字符,官方定义了XML中的无效字符分为三段:

0x00 - 0x08  
0x0b - 0x0c  
0x0e - 0x1f  

所以解决方法是 解析或者写入前将字符串的非法字符过滤掉,方法如下:

string.replaceAll("[\\x00-\\x08\\x0b-\\x0c\\x0e-\\x1f]", "")

今天将自己踩到的坑记录一下,以往对园友有所帮助。

作者:一枝花算不算浪漫