XML 解析中，如何排除控制字符

XML 解析中，如何排除控制字符

今天在解析一个中文的 XML时，始终报错 PCDATA invalid Char value 21 in Entity ，查询了一下这个 21 的ascii 值，
发现是：

0001 0101

21

15

NAK

␕

确认失败回应

怎么会有这样奇怪的字符，我也搞不清楚。google 一下这个错误，发现很多网站都报这样的错误，就是没有一篇文章
说明为什么出错了。折腾了半天，后来又看了Libxml的源代码，发现下面的字符要在字符串里面排除掉：

二进制	十进制	十六进制	缩写	可以显示的表示法	名称／意义
0000 0000	0	00	NUL	␀	空字符（Null）
0000 0001	1	01	SOH	␁	标题开始
0000 0010	2	02	STX	␂	本文开始
0000 0011	3	03	ETX	␃	本文结束
0000 0100	4	04	EOT	␄	传输结束
0000 0101	5	05	ENQ	␅	请求
0000 0110	6	06	ACK	␆	确认回应
0000 0111	7	07	BEL	␇	响铃
0000 1000	8	08	BS	␈	退格
0000 1011	11	0B	VT	␋	垂直定位符号
0000 1100	12	0C	FF	␌	换页键
0000 1110	14	0E	SO	␎	取消变换（Shift out）
0000 1111	15	0F	SI	␏	启用变换（Shift in）
0001 0000	16	10	DLE	␐	跳出数据通讯
0001 0001	17	11	DC1	␑	设备控制一（XON 启用软件速度控制）
0001 0010	18	12	DC2	␒	设备控制二
0001 0011	19	13	DC3	␓	设备控制三（XOFF 停用软件速度控制）
0001 0100	20	14	DC4	␔	设备控制四
0001 0101	21	15	NAK	␕	确认失败回应
0001 0110	22	16	SYN	␖	同步用暂停
0001 0111	23	17	ETB	␗	区块传输结束
0001 1000	24	18	CAN	␘	取消
0001 1001	25	19	EM	␙	连接介质中断
0001 1010	26	1A	SUB	␚	替换
0001 1011	27	1B	ESC	␛	跳出
0001 1100	28	1C	FS	␜	文件分割符
0001 1101	29	1D	GS	␝	组群分隔符
0001 1110	30	1E	RS	␞	记录分隔符
0001 1111	31	1F	US	␟	单元分隔符
0111 1111	127	7F	DEL	␡	删除

大多数都在 31 以前的几个字符，注意，还有个字符 127 要去掉。去掉的方法我是用正则，用下面的正则就可以
去掉了：[\\x00-\\x08\\x0b-\\x0c\\0e-\\1f\\7f]。

希望对大家有用。

posted @ 2009-09-24 18:41 暮夏 阅读( ...) 评论( ...) 编辑 收藏