关闭

过滤xml非法字符

188人阅读 评论(0) 收藏 举报

xml支持的字符范围

Character Range 
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。

 

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


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) &        &            &
单引号  ’ '            '
双引号  ”          "            "
大于号  >        >                  >
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


相关代码:
 
可以利用.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
 
STL中可以这样处理:
string filter_xml_marks(string in)
{
 string out;
 for(unsigned int i=0 ; i<in.length(); i++)
 {
  if(in[i] == '&')
  {
   out += "&";
   continue;
  }
  else if(in[i] == '/'')
  {
   out += "'";
   continue;
  }
  else if(in[i] == '/"')
  {
   out += """;
   continue;
  }
  else if(in[i] == '<')
  {
   out += "<";
   continue;
  }
  else if(in[i] == '>')
  {
   out += ">";
   continue;
  }
  else if((in[i]>= 0x00 &&in[i]<=0x08)||(in[i]>=0x0b&&in[i]<=0x0c)||(in[i]>=0x0e&&in[i]<=0x1f))
   continue;

  out += in[i];  
 }

 return out;
}


   

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;
 }

}

0
0

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:3744次
    • 积分:95
    • 等级:
    • 排名:千里之外
    • 原创:5篇
    • 转载:7篇
    • 译文:0篇
    • 评论:1条
    最新评论