xml解析、写入遇到的坑

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。