dom4j 非法字符过滤

 xml官方定义的非法字符有：0x00 – 0x08，0x0b – 0x0c，0x0e – 0x1f ， 这3类均为assii 的低阶打印字符，遇到这样的字符时dom4j解析会抛出：Nested exception: 

org.xml.sax.SAXParseException: An invalid XML character (Unicode: 0x1) was found in the element content of the document.这样的异常。

解决方法：

测试主类，注意FilterInputStreamReader为包装类

package xu.dom4j; import java.io.FileInputStream; import org.dom4j.Document; import org.dom4j.Element; import org.dom4j.io.SAXReader; import xu.java.io.FilterInputStreamReader; public class Test { public static void main(String[] args) throws Exception{ String filePath = ""; String fileEncoding = "utf-8"; Element e = parseFileAndFilter(filePath,fileEncoding); System.out.println(e); } public static Element parseFileAndFilter(String filePath ,String fileEncoding)throws Exception{ SAXReader reader = new SAXReader(); Document doc = null; reader.setEncoding(fileEncoding); doc = reader.read(new FilterInputStreamReader(new FileInputStream(filePath),fileEncoding)); return doc.getRootElement(); } }

FilterInputStreamReader包装类，继承自InputStreamReader

package org.dom4j.io; import java.io.IOException; import java.io.InputStream; import java.io.InputStreamReader; import java.io.UnsupportedEncodingException; /** * 该类继承自InputStreamReader， 主要解决 dom4j解析xml时出现非法字符。<br/> * xml官方定义的非法字符范围为： * [0x00 - 0x08], * [0x0b - 0x0c], * [0x0e - 0x1f], * 这些都是无法打印的低阶 assii符号。 * <br/> * 实现原理为： SAXReader 的read()方法需要一个 Reader 对象， 在SAXReader的内部，会调用 输入Reader的read(char cbuf[], int offset, int length) 方法读取内容， * 因此，本过滤器 包装了 read 方法，对非法字符进行过滤，实际为替换(用空格替换)，采用替换可能会带来一定问题，例如：非法字符正好在名称中间，可能会导致解析异常。但采用过滤会 read(char cbuf[], int offset, int length) * 包装上带来困难，例如：过滤后的缩进如何处理，目前方案1为，用read()方法替换。 方案2. 减少读取字符数。 read返回数量减少。 * *<br/> *具体后续遇到再讨论处理 * * @author xujg * @date 2012-1-13 * */ public class FilterInputStreamReader extends InputStreamReader { private static final int replaceChar = 0x20;//空格 public FilterInputStreamReader(InputStream in, String charsetName) throws UnsupportedEncodingException { super(in,charsetName); } // public int read()throws IOException { int ch = super.read(); if(ch>0x1f) return ch; if(ch == 0x0d || ch == -1 || (ch>0x08 && ch<0x0b)) return ch; return replaceChar; } public int read(char cbuf[], int offset, int length) throws IOException { int count= super.read(cbuf, offset, length); for( int i = 0;i<count;i++){ if(cbuf[i]>0x1f) continue; if(cbuf[i] == 0x0d || cbuf[i] == -1 || (cbuf[i]>0x08 && cbuf[i]<0x0b)) continue; cbuf[i]= replaceChar; } return count; } } 

说明：

1、 SAXReader内部调用的是read(char cbuf[], int offset, int length) 方法获取内容，对read（） 方法的修改对解析不起作用

2、 如果是对InputStream，则过滤方法应该类似，包装下对应的read方法

3、本过滤器严格意义上并不是过滤器，只是对特殊字符用空格进行了替换。

4、考虑到性能，过滤写在方法内，没有抽象成方法，（过滤方法调用数量多，出入栈会对性能有影响）

5、 实现过滤需要对 两个方法分开处理,下面为实现。

 read（） 过滤,遇到特殊字符时，递归返回下一个合法的：

public int read()throws IOException { int ch = super.read(); if(ch>0x1f) return ch; if(ch == 0x0d || ch == -1 || (ch>0x08 && ch<0x0b)) return ch; return read(); }

read(char cbuf[], int offset, int length) ，过滤时需要将后续内容前移动，然后修改读取数量。（下面代码未测试）

// read方法，SAXReader 读取内容时实际是调用此方法获取内容 public int read(char cbuf[], int offset, int length) throws IOException { int count= super.read(cbuf, offset, length); int invalidNum = 0; for( int i = 0;i<count;i++){ if(cbuf[i]>0x1f) { //字符实际位置修改 cbuf[i-invalidNum] = cbuf[i]; continue; } if(cbuf[i] == 0x0d || cbuf[i] == -1 || (cbuf[i]>0x08 && cbuf[i]<0x0b)) { cbuf[i-invalidNum] = cbuf[i]; continue; } //非法字符数量增加 invalidNum++; } //读取数量减少 return count-invalidNum; }

注： 本人第一次发代码帖子，有问题欢迎指正，也欢迎大家交流。

转载请说明出处，谢谢！