在 XML 中删除流氓 & 符号的最佳方法是啥？

Posted 2023-04-13

【中文标题】在 XML 中删除流氓 & 符号的最佳方法是啥？

【英文标题】：What is the best way of removing rogue ampersands in XML?在 XML 中删除流氓 & 符号的最佳方法是什么？

【发布时间】：2019-03-27 19:09:54

【问题描述】：

（TLDR 在底部）

我们有一个实现了自己的 XML 读取器/写入器的遗留系统。问题是它允许在属性值中使用文字“&”。

<SB nae="Name" net="HV & DD"/>

当我使用 XDocument.Parse() 方法读取数据时，这当然会失败。我正在研究清理数据的方法。

我正在尝试使用正则表达式来识别发生这种情况的情况。 为了说明，考虑一下：

&(?!amp\;)

这将识别带有负前瞻的 & 符号，以确保它实际上不是正确转义的 & 符号。当我确定了这些情况后，我可以用适当的 & 替换

当然，有一个问题是这会匹配其他转义字符，例如 &gt &lt &quot 等，所以我也需要取消匹配这些字符。也许使用更通用的形式，例如正则表达式不匹配的 & 符号后跟 2-4 个字符，然后是分号。

但我担心的是，还有其他一些我没有想到的和符号的情况，并且在我得到的少数样本中没有体现出来。我正在寻找一种不会弄乱正确 xml 的安全方法。

TLDR：如何识别不属于正确 xml 的 & 符号，但是否是属性值中未转义的 & 符号？

【问题讨论】：

您能否提供更多实际 xml 示例以及每个示例的预期/期望匹配项？

“遗产”有多少遗产？如果可能的话，我会修复源而不是修复产品。

另见How to parse invalid (bad / not well-formed) XML?。

【参考方案1】：

您可以用& 替换以下正则表达式模式：

&(?!(?:#\d+|#x[0-9a-f]+|\w+);)

演示：https://regex101.com/r/3MTLY9/2

【讨论】：

非常好。添加到我的canonical dealing with bad XML QA。谢谢。