XML只允许特定Unicode字符，非法字符如控制字符可能导致解析失败。合法范围包括#x9、#xA、#xD、#x20-#xD7FF、#xE000-#xFFFD、#x10000-#x10FFFF。处理方法：使用正则替换移除#x00-#x08、#x0B、#x0C、#x0E-#x1F等非法字符，Java和Python示例均展示此清洗过程。关键数据可置于CDATA段避免解析，但CDATA内不能包含"]]>"序列。
在处理XML数据时，经常会遇到非法字符问题，这些字符可能导致解析失败或文档结构损坏。XML标准只允许特定范围的Unicode字符存在，超出范围的字符被视为非法。正确识别并处理这些字符是确保XML文档有效性的关键。
了解XML中的合法字符范围
根据XML 1.0规范，以下字符是允许出现在XML文档中的：
- #x9（水平制表符）
- #xA（换行符）
- #xD（回车符）
- #x20 到 #xD7FF
- #xE000 到 #xFFFD
- #x10000 到 #x10FFFF
这意味着像#x0 到 #x8、#xB、#xC、#xE 到 #x1F等控制字符通常是非法的，除非在CDATA段中被转义处理。
识别并过滤非法字符的方法
在将字符串写入XML前，应先进行清洗。可以使用正则表达式或编程语言内置函数来移除或替换非法字符。
例如，在Java中可以这样处理：
public static String cleanInvalidXmlChars(String input) {
return input.replaceAll("[\\x00-\\x08\\x0B\\x0C\\x0E-\\x1F]", "");
}
在Python中可用：
import re
def clean_xml_string(s):
return re.sub(r'[\x00-\x08\x0b\x0c\x0e-\x1f]', '', s)
注意：删除控制字符前需确认其来源和用途，避免误删关键信息。
使用转义或CDATA保护特殊内容
对于包含大量特殊符号或不确定字符的内容，可将其包裹在中，CDATA区域能避免大多数字符被解析为标记。
示例：
但要注意，CDATA不能包含，否则会提前结束区域。
借助XML库自动处理异常
使用成熟的XML处理库（如Java的Xerces、Python的lxml）通常能自动检测非法字符，并提供配置选项来忽略或替换它们。
例如，在lxml中可通过设置recover模式容忍部分错误：
from lxml import etree parser = etree.XMLParser(recover=True) tree = etree.fromstring(dirty_xml, parser)
但这仅适用于解析阶段，生成XML时仍需主动清理数据。
基本上就这些。关键是提前预防，对输入数据做标准化清洗，结合工具和规则双重保障，就能有效避免非法字符引发的问题。
