python - jinja + form + unicode 控制字符 + xml/docx 集成

Question

我正在根据用户在表单中输入的内容创建 word 文档。但是，当用户输入一个 unicode 控制字符，并尝试使用 python-docx 包从中创建一个 word 文件时，会发生此错误:

File "src\lxml\apihelpers.pxi", line 1439, in lxml.etree._utf8
ValueError: All strings must be XML compatible: Unicode or ASCII, no NULL bytes or control characters

我设法解决了这个问题，方法是在每次请求之前检查表单中是否存在无效的 xml 字符(我有很多可能会出现此问题的表单)，并从字段中删除任何无效的 xml 字符。然后我制作了一个新的 Immutable Multi Dictionary，并用清理过的文本填充它。

from docx import Document
from docx.shared import Inches
from flask import Flask, render_template_string, request
from werkzeug.datastructures import ImmutableMultiDict

def valid_xml_char_ordinal(c):
    codepoint = ord(c)
    return (0x20 <= codepoint <= 0xD7FF or codepoint in (0x9, 0xA, 0xD) or
            0xE000 <= codepoint <= 0xFFFD or 0x10000 <= codepoint <= 0x10FFFF)

app = Flask(__name__)

@app.before_request
def before_request():
    if 'check_form_xml_validity' in request.form:
        tuple_list = []
        for field_name in request.form:
            all_field_values = request.form.getlist(field_name)
            for field_value in all_field_values:
                cleaned_field_value = ''.join(c for c in field_value if valid_xml_char_ordinal(c))
                tuple_list.append((field_name, cleaned_field_value))
        request.form = ImmutableMultiDict(tuple_list)

@app.route('/', methods=['GET', 'POST'])
def form_test():
    if request.method == 'GET':
        x = '' # this seemingly empty string is not empty, but contains a bunch of control characters
        return render_template_string(
            """<form action="{{ url_for('form_test') }}" method="post">
                <input name="some_field" value="{{x}}"><br>
                check the xml validity of this form? <br>
                <input type="checkbox" checked name="check_form_xml_validity"><br>
                <button>submit</button>
            </form>""",
            x=x)
    else:
        doc = Document()
        p = doc.add_paragraph(request.form['some_field'])
        return 'yay'

而且这个方法非常有效。但是，我似乎不太可能是唯一遇到此问题的人，但我找不到任何干净的解决方案。所以问题是，我真的应该以当前的方式解决这个问题吗？这非常乏味，感觉就像我忽略了一些可以解决这个问题的 Flask 或 python-docx 设置或参数。

该示例功能齐全，如果复选框被选中，before_request函数被执行。如果未选中该复选框，则不会执行并显示上述服务器错误。

控制字符是:U+000C : <control-000C> (FORM FEED [FF])

Answer 1

unicode 中有大量的控制字符。所以，基本上，您需要删除控制字符，这是 unicode 字符中的一个类别。为此，我建议您使用 unicodedata.category来自 unicodedata模块。

见下面的代码:

import unicodedata


def remove_control_chars(s):
    return "".join(ch for ch in s if unicodedata.category(ch)[0] != "C")