java - 如何检查 XML 数据是否为有效的 UTF-8 并检测不正确的字符？

Question

在我的应用程序中，我必须验证 XML 数据并提取所有无效字符(将它们放入 CDATA)

我的问题很简单...^^ 怎么做？

我从 Character.UnicodeBlock 方法开始，但对于编码为多个字节的字符 - 例如“ï”或“é”，它是如何工作的？

这是我目前的代码(进行测试):

public static void main(String[] args) {

try {
    byte[] data = "J'ai prïé et `".getBytes("UTF-8");

    System.out.print("Data: ");
    for (int i = 0; i < data.length; i++) {
    System.out.print((char) data[i]);
    }

    System.out.println("");

    UnicodeBlock myBlock = null;

    for (int i = 0; i < data.length; i++) {
    System.out.println("[" + i + " => '" + (char) data[i]
        + "'] Is defined: "
        + Character.isDefined(new Byte(data[i]).intValue()));
    try {
        myBlock = Character.UnicodeBlock.of(new Byte(data[i])
            .intValue());
    } catch (IllegalArgumentException e) {
        System.out
            .println("Count => "
                + Character.charCount(new Byte(data[i])
                    .intValue()));
    }
    }
} catch (UnsupportedEncodingException e) {
    System.err.println("Unsupported encoding: " + e.getMessage());
}
System.out.println("Finished");
}

这就是我在执行时得到的:

Data: J'ai pr???? et `
[0 => 'J'] Is defined: true
[1 => '''] Is defined: true
[2 => 'a'] Is defined: true
[3 => 'i'] Is defined: true
[4 => ' '] Is defined: true
[5 => 'p'] Is defined: true
[6 => 'r'] Is defined: true
[7 => '?'] Is defined: false
Count => 1
[8 => '?'] Is defined: false
Count => 1
[9 => '?'] Is defined: false
Count => 1
[10 => '?'] Is defined: false
Count => 1
[11 => ' '] Is defined: true
[12 => 'e'] Is defined: true
[13 => 't'] Is defined: true
[14 => ' '] Is defined: true
[15 => '`'] Is defined: true
Finished

我正在尝试找到一种方法来检测多字节字符，并且只对真正的错误字符产生“假”结果。

也许 Java 中的库已经存在可以做到这一点？

如果有人能帮助我，我将不胜感激。提前致谢。

问候。

Answer 1

一些事情:

• CDATA 不会保护您免受无效字符的侵害；您的垃圾数据仍然是非法的 UTF-8 序列，可能会被 XML 解析器拒绝
• 使用configured CharsetDecoder用 InputStreamReader验证字符序列；或者，按照 RFC 2279 (see the UTF-8 definition) 中的描述检查字节序列是否有效。
• 如果没有 XML 解析器，我不会尝试解析 XML
• Character.isDefined 需要一个 UTF-16BE 编码的 char (or a UTF-32BE encoded int)，而不是 UTF-8 编码的字节
• 在 Java 6 中，Character.isDefined 仅限于 Unicode Standard, version 4.0. 中定义的代码点;可能有以后的标准定义的有效 UTF-8 文档，这将失败(版本 6 现已推出)；最新的有效代码点列表在 UnicodeData.txt 中定义