解析xml 无效字符

[zfyq124]

要解析一个xml文件，但是这个xml文件不标准。里边存在像这样的字符。现在由于xml文件太大，不可能把所有的无效字符都找出来，替换掉。现在怎样解析这个xml文件？

[Inhibitory]

发这个 XML 文件来看看，XML 支持 UTF-8编码的，这种字符也是有效的编码，不应该无效。

[zfyq124]

引用 1 楼 Inhibitory 的回复:

发这个 XML 文件来看看，XML 支持 UTF-8编码的，这种字符也是有效的编码，不应该无效。

xml文件太大了，我昨天找了好长时间找到无效字符的列，就是上面的那种特殊字符！！ 这是解析的时候的异常信息 Exception in thread "main" org.xml.sax.SAXParseException; systemId: file:/D:/Java/workspace/weibousertest/data/NLPIR%E5%BE%AE%E5%8D%9A%E5%8D%9A%E4%B8%BB%E8%AF%AD%E6%96%99%E5%BA%93.xml; lineNumber: 608194; columnNumber: 112; 在文档的元素内容中找到无效的 XML 字符 (Unicode: 0xe)。 at com.sun.org.apache.xerces.internal.util.ErrorHandlerWrapper.createSAXParseException(ErrorHandlerWrapper.java:198) at com.sun.org.apache.xerces.internal.util.ErrorHandlerWrapper.fatalError(ErrorHandlerWrapper.java:177) at com.sun.org.apache.xerces.internal.impl.XMLErrorReporter.reportError(XMLErrorReporter.java:441) at com.sun.org.apache.xerces.internal.impl.XMLErrorReporter.reportError(XMLErrorReporter.java:368) at com.sun.org.apache.xerces.internal.impl.XMLScanner.reportFatalError(XMLScanner.java:1388) at com.sun.org.apache.xerces.internal.impl.XMLDocumentFragmentScannerImpl$FragmentContentDriver.next(XMLDocumentFragmentScannerImpl.java:2856) at com.sun.org.apache.xerces.internal.impl.XMLDocumentScannerImpl.next(XMLDocumentScannerImpl.java:607) at com.sun.org.apache.xerces.internal.impl.XMLDocumentFragmentScannerImpl.scanDocument(XMLDocumentFragmentScannerImpl.java:489) at com.sun.org.apache.xerces.internal.parsers.XML11Configuration.parse(XML11Configuration.java:835) at com.sun.org.apache.xerces.internal.parsers.XML11Configuration.parse(XML11Configuration.java:764) at com.sun.org.apache.xerces.internal.parsers.XMLParser.parse(XMLParser.java:123) at com.sun.org.apache.xerces.internal.parsers.AbstractSAXParser.parse(AbstractSAXParser.java:1210) at com.sun.org.apache.xerces.internal.jaxp.SAXParserImpl$JAXPSAXParser.parse(SAXParserImpl.java:568) at com.sun.org.apache.xerces.internal.jaxp.SAXParserImpl.parse(SAXParserImpl.java:302) at javax.xml.parsers.SAXParser.parse(SAXParser.java:328) at weibo.SAXCreateDB.main(SAXCreateDB.java:24)

[Inhibitory]

[zfyq124]

引用 3 楼 Inhibitory 的回复:

xml文件：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE PERSONS [
<!ENTITY nbsp " ">
<!ENTITY copy "©">
<!ENTITY reg "®">
<!ENTITY trade "™">
<!ENTITY mdash "—">
<!ENTITY ldquo "“">
<!ENTITY rdquo "”"> 
<!ENTITY pound "£">
<!ENTITY yen "¥">
<!ENTITY euro "€">
]>
<PERSONS>
	<person>
		<summary>Ｌ仔,Worldwide,Bboyworld DJ成員,美國Dragon Diggers
			DJ團長,『壹陆叁』創辦人,廣州Energy音樂總監,周館弟子,KC劍球隊員,唱盤主義,老巨蟹,黑膠收藏</summary>
	</person>
	</PERSONS>

异常信息：

[zfyq124]

关键这只是我找到的中间一个的无效字符，整个xml中还有的是

[zfyq124]

引用 1 楼 Inhibitory 的回复:

复制xml有一点没复制上？

[Inhibitory]

复制你的 XML，会发现里面有一些不可见的字符，例如 SO (Shift Out).
就是这些字符破坏了 XML 文件。
可以如图看到这个 SO，也可以用二进制编辑器看到，其值是0E

[zfyq124]

引用 7 楼 Inhibitory 的回复:

复制你的 XML，会发现里面有一些不可见的字符，例如 SO (Shift Out). 就是这些字符破坏了 XML 文件。 可以如图看到这个 SO，也可以用二进制编辑器看到，其值是0E

怎么解决啊?它里边还有好多这样的东西！

[Inhibitory]

我不知道有没有工具可以把 UTF-8存储的文件中非法的字符去掉，但是可以自己写程序利用UTF-8的原理，把这些非法字符删除。 UTF-8 是以 8位（即 1个字节）为单元对原始码进行编码（注意一 点：这里所讲的原始码都是指Unicode码），并规定：多字节码（2个字 节以上才称为多字节）以转换后第1个字节起头的连续“1”的数目（这 些连续“1”称为标记位），表示转换成几个字节：“110”连续两个 “1”，表示转换结果为2个字节，“1110”表示3个字节，而“11110” 则表示4个字节……跟随在标记位之后的“0”，其作用是分隔标记位和 字符码位。第2～第4个字节的起头两个位固定设置为“10”，也作为标 记，剩下的6个位才做为字符码位使用。 　　这样，2字节UTF-8码剩下11个字符码位，可用以转换0080～07FF的 原始字符码，3字节剩下16个字符码位，可用以转换0800～FFFF的原始字 符码，由此类推。编码方式的模板如下： 原始码（16进制）　UTF－8编码（二进制） -------------------------------------------- 0000 - 007F 0xxxxxxx 0080 - 07FF 110xxxxx 10xxxxxx 0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx 参考 ASCII 码表，很明显，这些非不可见的字符都是控制字符，在0000 - 007F 0xxxxxxx 如果不是严格的考虑(如不完整的 UTF-8编码)，只需要简单的删除这些不可见字符，只要用按字节读取文件，每个字节都比较一下，如果是控制字符(例如上面的 0E)，直接丢掉，而其他的字节仍按顺序保存到新的 XML 文件里。

[Inhibitory]

在 UTF-8中，ASCII 码的第一个bit都是0，而其他字符的第一个bit都是1，所以可以直接进行比较，不用担心破坏多UTF-8里多字节的字符的编码。

[zfyq124]

引用 10 楼 Inhibitory 的回复:

在 UTF-8中，ASCII 码的第一个bit都是0，而其他字符的第一个bit都是1，所以可以直接进行比较，不用担心破坏多UTF-8里多字节的字符的编码。

恩，行了。谢谢了。

[baidu_25644179]

楼主解决了没有，解决了话请告诉我。。急求。感谢！！