在 Java 中为 XML 编码文本数据的最佳方法是啥?
Posted
技术标签:
【中文标题】在 Java 中为 XML 编码文本数据的最佳方法是啥?【英文标题】:Best way to encode text data for XML in Java?在 Java 中为 XML 编码文本数据的最佳方法是什么? 【发布时间】:2010-10-01 03:47:08 【问题描述】:与this question 非常相似,Java 除外。
在 Java 中为 XML 输出编码字符串的推荐方法是什么。字符串可能包含“&”、“
【问题讨论】:
【参考方案1】:正如其他人所提到的,使用 XML 库是最简单的方法。如果您确实想逃避自己,可以查看Apache Commons Lang 库中的StringEscapeUtils
。
【讨论】:
如果您不关心绝对正确性,例如,如果您正在组装一个原型,这可能是您要走的路。 使用来自commons-lang
的StringEscapeUtils.escapeXml(str)
。我在 App Engine 应用程序中使用它 - 像魅力一样工作。这是此功能的Java Doc:
StringEscapeUtils 的 escapeXml 方法好像有点贵。有没有更有效的方法来操作 StringBuffer 而不是 String?
此方法是否适用于 XML 内容和属性?对我来说,它似乎不适用于属性。它似乎无法逃脱\t
、\n
和\r
。
注意它已经从commons-lang
移动到commons-text
【参考方案2】:
非常简单:使用 XML 库。这样一来,它实际上是正确,而不需要详细了解 XML 规范。
【讨论】:
你能推荐这样一个库吗? (令我惊讶的是,这不是 Java 版本 5 的标准部分……如此常见的任务)。 XML 是标准 Java 框架的一部分 - 查看 org.w3c.sax 和 org.w3c.dom。但是,也有一些更易于使用的框架,例如 JDom。请注意,可能没有“为 XML 输出编码字符串”的方法——我更建议整个 XML 任务应该使用库来完成,而不是一次只做一些字符串操作。 在输出 Xhtml 时,这不是很有用的建议——FlyingSaucer 需要 XML,但我不可能通过 XML 库进行模板化:)。谢天谢地 StringTemplate 让我可以快速转义所有 String 对象。 @mice:这个问题被标记为 Java,Java 有 很多 个 XML 库。确实,Java 中已经嵌入了 XML API,因此无需添加 anything 其他...但即使您这样做了,如今在移动设备之外,几百 K 也很少成为问题。即使不是 Java,我也会非常警惕在没有任何 XML API 的平台上进行开发... @mice:DOM API 完全能够生成 XML。或者有相当小的第三方库。 (例如 JDom 的 jar 文件为 114K。)使用 XML API 仍然是创建 XML 的推荐方式。【参考方案3】:随便用。
<![CDATA[ your text here ]]>
这将允许除结尾之外的任何字符
]]>
因此您可以包含非法字符,例如 & 和 >。例如。
<element><![CDATA[ characters such as & and > are allowed ]]></element>
但是,属性需要转义,因为 CDATA 块不能用于它们。
【讨论】:
在大多数情况下,这不是您应该做的。太多人滥用 CDATA 标签。 CDATA 的目的是告诉处理器不要将其作为 XML 处理,而只是将其传递。如果您尝试创建 XML 文件,那么您应该创建 XML,而不仅仅是通过某些包装元素传递字节。 @Mads,使用 CDATA 会生成一个有效的 XML 文件,因此它与以“正确的方式”执行它一样好。如果你不喜欢它,然后解析它,进行身份转换,然后打印它。 如果您将文本包装在 CDATA 元素中,则必须转义 CDATA 结束标记:“]]>”...除非您无法转义。因此,您必须将代码分成几部分,将一半数据放在一个 CDATA 元素中,另一半放在一秒钟内:" 这就是为什么它必须被拆分的原因。]]> ... 最后,转义 '' 和 '&' 可能要简单得多。当然,许多应用程序忽略了数据中 CDATA 关闭标记的潜在问题。我想无知是幸福的。 :) @StijndeWitt 是绝对正确的。 CDATA 不是转义特殊字符的灵丹妙药。 这是个坏主意。 CDATA 不允许 XML 编码之外的任何字符。【参考方案4】:试试这个:
String xmlEscapeText(String t)
StringBuilder sb = new StringBuilder();
for(int i = 0; i < t.length(); i++)
char c = t.charAt(i);
switch(c)
case '<': sb.append("<"); break;
case '>': sb.append(">"); break;
case '\"': sb.append("""); break;
case '&': sb.append("&"); break;
case '\'': sb.append("'"); break;
default:
if(c>0x7e)
sb.append("&#"+((int)c)+";");
else
sb.append(c);
return sb.toString();
【讨论】:
您至少有两个我可以看到的错误。一个是微妙的,另一个不是。我不会有这样的错误 - 因为我一开始就不会重新发明***。 遍历 Unicode 字符串有点复杂。见这里:***.com/q/1527856/402322 不确定是不是微妙,但最好考虑t==null
的情况。
@user1003916:XML 转义旨在将任何 & 出现转换为 &所以它必须这样工作。如果你 excape 已经转义的字符串,那是你的错。
我对最终版本很满意。 Java SE 紧凑、快速且高效。在我看来,只做需要做的事情,而不是下载另外 100 MB 的英国媒体报道软件总是更好。【参考方案5】:
这对我来说很好地提供了文本字符串的转义版本:
public class XMLHelper
/**
* Returns the string where all non-ascii and <, &, > are encoded as numeric entities. I.e. "<A & B >"
* .... (insert result here). The result is safe to include anywhere in a text field in an XML-string. If there was
* no characters to protect, the original string is returned.
*
* @param originalUnprotectedString
* original string which may contain characters either reserved in XML or with different representation
* in different encodings (like 8859-1 and UFT-8)
* @return
*/
public static String protectSpecialCharacters(String originalUnprotectedString)
if (originalUnprotectedString == null)
return null;
boolean anyCharactersProtected = false;
StringBuffer stringBuffer = new StringBuffer();
for (int i = 0; i < originalUnprotectedString.length(); i++)
char ch = originalUnprotectedString.charAt(i);
boolean controlCharacter = ch < 32;
boolean unicodeButNotAscii = ch > 126;
boolean characterWithSpecialMeaninginxML = ch == '<' || ch == '&' || ch == '>';
if (characterWithSpecialMeaningInXML || unicodeButNotAscii || controlCharacter)
stringBuffer.append("&#" + (int) ch + ";");
anyCharactersProtected = true;
else
stringBuffer.append(ch);
if (anyCharactersProtected == false)
return originalUnprotectedString;
return stringBuffer.toString();
【讨论】:
stringBuffer.append("" + (int) ch + ";");这不适用于多字节字符。我现在遇到了一个表情符号字符,UTF8 序列 F0 9F 98 8D。【参考方案6】:这个问题已经八年了,仍然不是一个完全正确的答案!不,您不必导入整个第三方 API 来完成这个简单的任务。不好的建议。
以下方法将:
正确处理基本多语言平面之外的字符 XML 中需要转义字符 转义任何非 ASCII 字符,这是可选但常见的 用 Unicode 替换字符替换 XML 1.0 中的 非法 字符。这里没有最佳选择 - 删除它们同样有效。我已尝试针对最常见的情况进行优化,同时仍确保您可以通过管道传输 /dev/random 并获得 XML 中的有效字符串。
public static String encodeXML(CharSequence s)
StringBuilder sb = new StringBuilder();
int len = s.length();
for (int i=0;i<len;i++)
int c = s.charAt(i);
if (c >= 0xd800 && c <= 0xdbff && i + 1 < len)
c = ((c-0xd7c0)<<10) | (s.charAt(++i)&0x3ff); // UTF16 decode
if (c < 0x80) // ASCII range: test most common case first
if (c < 0x20 && (c != '\t' && c != '\r' && c != '\n'))
// Illegal XML character, even encoded. Skip or substitute
sb.append("�"); // Unicode replacement character
else
switch(c)
case '&': sb.append("&"); break;
case '>': sb.append(">"); break;
case '<': sb.append("<"); break;
// Uncomment next two if encoding for an XML attribute
// case '\'' sb.append("'"); break;
// case '\"' sb.append("""); break;
// Uncomment next three if you prefer, but not required
// case '\n' sb.append(" "); break;
// case '\r' sb.append(" "); break;
// case '\t' sb.append("	"); break;
default: sb.append((char)c);
else if ((c >= 0xd800 && c <= 0xdfff) || c == 0xfffe || c == 0xffff)
// Illegal XML character, even encoded. Skip or substitute
sb.append("�"); // Unicode replacement character
else
sb.append("&#x");
sb.append(Integer.toHexString(c));
sb.append(';');
return sb.toString();
编辑:对于那些继续坚持在有非常好的 Java API 来处理 XML 时为此编写自己的代码是愚蠢的人,您可能想知道 Oracle Java 8 中包含的 StAX API (我没有测试过其他人)未能正确编码 CDATA 内容:它不会转义 ]]> 内容中的序列。第三方库,即使是 Java 核心的一部分,也并不总是最好的选择。
【讨论】:
+1 用于独立代码。只是将您的代码与guava implementation 进行比较,我想知道 '\t','\n','\r' 呢?另请参阅guava docs 的注释 没有必要转义\n、\r 和\t,它们是有效的,尽管它们确实使格式有点难看。我已经修改了代码以显示如果这是你想要的如何逃避它们。 CDATA 中没有 no 方法可以“转义]]>”。 然后它应该通过抛出 IllegalArgumentException 来拒绝内容。在任何情况下,它都不应声称成功但仍输出无效的 XML。 您可以在这里使用我的方法***.com/a/59475093/3882565,而不是用 Unicode 替换字符替换 XML 1.0 中的非法字符。【参考方案7】:StringEscapeUtils.escapeXml()
不转义控制字符 (XStream.toXML() 会愉快地将 Java 对象的控制字符序列化为 XML,而 XML 1.0 解析器将拒绝。
要使用 Apache commons-lang 转义控制字符,请使用
NumericEntityEscaper.below(0x20).translate(StringEscapeUtils.escapeXml(str))
【讨论】:
【参考方案8】:public String escapeXml(String s)
return s.replaceAll("&", "&").replaceAll(">", ">").replaceAll("<", "<").replaceAll("\"", """).replaceAll("'", "'");
【讨论】:
链接replaceAll
调用效率非常低,尤其是对于大字符串。每次调用都会创建一个新的 String 对象,该对象将一直存在,直到垃圾收集为止。此外,每次调用都需要再次循环字符串。这可以合并到一个手动循环中,并在每次迭代中与每个目标字符进行比较。
这应该是公认的答案,即使它效率低下。它在一行中解决了问题。
而且它有很多错误。见this comment above
要修复这些错误,您还可以在这里使用我的方法***.com/a/59475093/3882565。请注意,这不是替代品,但可以额外使用。【参考方案9】:
对于那些寻求最快编写解决方案的人:使用来自apache commons-lang的方法:
StringEscapeUtils.escapeXml10()
用于 xml 1.0
StringEscapeUtils.escapeXml11()
用于 xml 1.1
StringEscapeUtils.escapeXml()
现已弃用,但过去常用
记得包含依赖:
<dependency>
<groupId>org.apache.commons</groupId>
<artifactId>commons-lang3</artifactId>
<version>3.5</version> <!--check current version! -->
</dependency>
【讨论】:
请注意,它已从 commons-lang 移至 commons-text【参考方案10】:虽然理想主义说使用 XML 库,但恕我直言,如果您对 XML 有基本概念,那么常识和性能一直都说是模板。它也可以说更具可读性。尽管使用库的转义例程可能是个好主意。
考虑一下:XML 是应该由人类编写的。
当您将 XML 作为“对象”更好地模拟您的问题时,使用生成 XML 的库。例如,如果可插拔模块参与构建此 XML 的过程。
编辑:至于如何在模板中实际转义 XML,使用 JSTL 中的 CDATA 或 escapeXml(string)
是两个很好的解决方案,escapeXml(string)
可以这样使用:
<%@taglib prefix="fn" uri="http://java.sun.com/jsp/jstl/functions"%>
<item>$fn:escapeXml(value)</item>
【讨论】:
【参考方案11】:StringEscapeUtils.escapeXml() 的行为已从 Commons Lang 2.5 更改为 3.0。 它现在不再转义大于 0x7f 的 Unicode 字符。
这是一件好事,旧方法有点急于逃避可以插入到 utf8 文档中的实体。
Google Guava 11.0 中包含的新转义器似乎也很有希望: http://code.google.com/p/guava-libraries/issues/detail?id=799
【讨论】:
这里是 Guava 的 XML 转义器:code.google.com/p/guava-libraries/source/browse/guava/src/com/…。总的来说,我发现 Guava 的架构比 Apache Commons 更好。 google.github.io/guava/releases/23.0/api/docs/com/google/common/…【参考方案12】:注意:您的问题是关于转义,而不是编码。转义是使用
首先,就像其他人所说的那样,使用 XML 库。 XML 看起来很简单,但编码+转义的东西是黑暗的巫术(一旦你遇到变音符号和日语以及其他奇怪的东西,比如“full width digits”(FF11; 是 1),你就会注意到它)。保持 XML 可读性是西西弗斯的任务。
我建议永远不要试图在 XML 中的文本编码和转义方面变得聪明。但不要让这阻止你尝试;只要记住它咬你的时候(它会咬你的)。
也就是说,如果您只使用 UTF-8,为了使内容更具可读性,您可以考虑以下策略:
如果文本确实包含“”或“&”,则将其包裹在<![CDATA[ ... ]]>
如果文本不包含这三个字符,请不要扭曲它。
我在 SQL 编辑器中使用它,它允许开发人员将 SQL 从第三方 SQL 工具剪切和粘贴到 XML 中,而不必担心转义。这是可行的,因为在我们的例子中 SQL 不能包含变音符号,所以我很安全。
【讨论】:
【参考方案13】:虽然我原则上同意 Jon Skeet,但有时我无法选择使用外部 XML 库。而且我发现在 Java 中包含的标准 XML 库中没有转义/取消转义一个简单值(属性或标签,不是完整文档)的两个函数很奇特。
因此,根据我在这里和其他地方看到的不同答案,这是我最终创建的解决方案(没有什么可以作为简单的复制/粘贴):
public final static String ESCAPE_CHARS = "<>&\"\'";
public final static List<String> ESCAPE_STRINGS = Collections.unmodifiableList(Arrays.asList(new String[]
"<"
, ">"
, "&"
, """
, "'"
));
private static String UNICODE_NULL = "" + ((char)0x00); //null
private static String UNICODE_LOW = "" + ((char)0x20); //space
private static String UNICODE_HIGH = "" + ((char)0x7f);
//should only be used for the content of an attribute or tag
public static String toEscaped(String content)
String result = content;
if ((content != null) && (content.length() > 0))
boolean modified = false;
StringBuilder stringBuilder = new StringBuilder(content.length());
for (int i = 0, count = content.length(); i < count; ++i)
String character = content.substring(i, i + 1);
int pos = ESCAPE_CHARS.indexOf(character);
if (pos > -1)
stringBuilder.append(ESCAPE_STRINGS.get(pos));
modified = true;
else
if ( (character.compareTo(UNICODE_LOW) > -1)
&& (character.compareTo(UNICODE_HIGH) < 1)
)
stringBuilder.append(character);
else
//Per URL reference below, Unicode null character is always restricted from XML
//URL: https://en.wikipedia.org/wiki/Valid_characters_in_XML
if (character.compareTo(UNICODE_NULL) != 0)
stringBuilder.append("&#" + ((int)character.charAt(0)) + ";");
modified = true;
if (modified)
result = stringBuilder.toString();
return result;
上面包含了几个不同的东西:
-
避免使用基于字符的逻辑,直到它绝对必须 - 提高 unicode 兼容性
尝试尽可能高效,因为概率是第二个“如果”条件可能是最常用的途径
是一个纯函数;即是线程安全的
通过仅在实际发生更改时返回 StringBuilder 的内容来很好地优化垃圾收集器 - 否则,返回原始字符串
在某个时候,我会写这个函数的反转,toUnescaped()。我只是今天没有时间这样做。当我这样做时,我会用代码更新这个答案。 :)
【讨论】:
对我来说看起来不错。我不想只为一种方法向我的项目添加另一个 jar。如果您允许,我可以复制粘贴您的代码吗? @SatishMotwani 当然,您可以使用上面的代码并随心所欲地使用它。我的理解是,在 *** 上发布的任何代码都被认为是无版权的(不包括全部作品)。另一方面,如果有人提出任何形式的版权主张并期望自己得到某种结果,那将是极其困难的。 感谢您的允许 :-) 我会使用它。 您忘记处理 NUL 字符。也许还有其他事情。 @chaotic3quilibrium NULL 在 XML 中是非法的(以及其他一些字符)。不管你如何编码。这是非法的。 (另外:实际上没有必要转义 Unicode 字符,它们在 XML 中得到很好的支持,除非 XML 文档本身具有非 Unicode 编码)【参考方案14】:如果您正在寻找一个库来完成这项工作,请尝试:
Guava 26.0 记录了here
return XmlEscapers.xmlContentEscaper().escape(text);
注意:还有一个
xmlAttributeEscaper()
Apache Commons Text 1.4 记录了here
StringEscapeUtils.escapeXml11(text)
注意:还有一个
escapeXml10()
方法
【讨论】:
【参考方案15】:要转义 XML 字符,最简单的方法是使用 Apache Commons Lang 项目,JAR 可从以下位置下载:http://commons.apache.org/lang/
类是这样的:org.apache.commons.lang3.StringEscapeUtils;
它有一个名为“escapeXml”的方法,它将返回一个适当转义的字符串。
【讨论】:
更新:escapeXml 现已弃用 - 使用 escapeXml10。参考commons.apache.org/proper/commons-lang/javadocs/api-3.3/org/…【参考方案16】:您可以使用Enterprise Security API (ESAPI) library,它提供了encodeForXML
和encodeForXMLAttribute
等方法。看一下Encoder接口的文档;它还包含如何创建DefaultEncoder 实例的示例。
【讨论】:
【参考方案17】:这是一个简单的解决方案,它也非常适合编码重音字符!
String in = "Hi Lârry & Môe!";
StringBuilder out = new StringBuilder();
for(int i = 0; i < in.length(); i++)
char c = in.charAt(i);
if(c < 31 || c > 126 || "<>\"'\\&".indexOf(c) >= 0)
out.append("&#" + (int) c + ";");
else
out.append(c);
System.out.printf("%s%n", out);
输出
Hi Lârry & Môe!
【讨论】:
“if”第一行的“31”不应该是“32”吗?即小于空格字符?如果必须保留“31”,那么不应该将其更正为“if (c 【参考方案18】:使用JAXP 并忘记文本处理,它将自动为您完成。
【讨论】:
您的链接是西班牙语的,这对我们大多数人来说并没有太大帮助。更好的是this one。【参考方案19】:尝试使用 Apache XML 序列化器对 XML 进行编码
//Serialize DOM
OutputFormat format = new OutputFormat (doc);
// as a String
StringWriter stringOut = new StringWriter ();
XMLSerializer serial = new XMLSerializer (stringOut,
format);
serial.serialize(doc);
// Display the XML
System.out.println(stringOut.toString());
【讨论】:
【参考方案20】:只需替换
& with &
对于其他角色:
> with >
< with <
\" with "
' with '
【讨论】:
【参考方案21】:这是我在到处寻找解决方案后发现的:
获取 Jsoup 库:
<!-- https://mvnrepository.com/artifact/org.jsoup/jsoup -->
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.12.1</version>
</dependency>
然后:
import org.jsoup.Jsoup
import org.jsoup.nodes.Document
import org.jsoup.nodes.Entities
import org.jsoup.parser.Parser
String xml = '''<?xml version = "1.0"?>
<SOAP-ENV:Envelope
xmlns:SOAP-ENV = "http://www.w3.org/2001/12/soap-envelope"
SOAP-ENV:encodingStyle = "http://www.w3.org/2001/12/soap-encoding">
<SOAP-ENV:Body xmlns:m = "http://www.example.org/quotations">
<m:GetQuotation>
<m:QuotationsName> MiscroSoft@G>>gle.com </m:QuotationsName>
</m:GetQuotation>
</SOAP-ENV:Body>
</SOAP-ENV:Envelope>'''
Document doc = Jsoup.parse(new ByteArrayInputStream(xml.getBytes("UTF-8")), "UTF-8", "", Parser.xmlParser())
doc.outputSettings().charset("UTF-8")
doc.outputSettings().escapeMode(Entities.EscapeMode.base)
println doc.toString()
希望这对某人有所帮助
【讨论】:
【参考方案22】:我在这里创建了我的包装器,希望对你有很大帮助,Click here你可以根据你的要求进行修改
【讨论】:
以上是关于在 Java 中为 XML 编码文本数据的最佳方法是啥?的主要内容,如果未能解决你的问题,请参考以下文章