日志或设备输出里带了控制字符,直接放进 XML 会报错。把它改成数字字符引用,看起来已经避开了不可见字符,解析却仍然失败。原因在于,引用只是另一种写法,最终指向的字符也要符合 XML 的字符范围。

本次在XML格式化工具输入 <note>A&#x1;B</note>,点击校验。页面明确报出 Invalid character U+0001,没有完成格式化。这里的数字一指向控制字符 U+0001,并不是可见的数字字符 1。

当前工具拒绝指向U+0001的数字字符引用
当前工具拒绝指向U+0001的数字字符引用

随后只把引用改成 &#x9;,其余内容保持不变,页面可以输出格式化 XML。本机单独解析这两份输入,也得到一份失败、一份成功的结果;成功样例文本的码点依次为六十五、九、六十六,中间确实是 Tab。

本机真实对照:U+0001失败,U+0009解析成Tab
本机真实对照:U+0001失败,U+0009解析成Tab

XML 1.0 允许 Tab、LF、CR,以及规范列出的其他字符范围,U+0001 不在其中。数字字符引用还要通过合法字符检查。因此,把非法控制字符改写成十进制引用、十六进制引用,或者换一个更大的数字宽度,都没有改变它最终指向的字符。

处理来源数据前,先弄清它表达的是文本,还是需要逐字节保留的设备报文。纯文本字段可以按业务规则清理控制字符,并记录清理动作;需要保留的二进制数据,则应采用接口约定的编码字段,同时保存编码说明和原始长度。盲目删除看不见的字节,可能让后面的协议内容发生变化。

这篇使用的是 XML 1.0 规则,没有通过更改版本声明来规避错误。实际接口应继续遵守接收方支持的版本及字段约定。若只想先定位输入中的错误,可以按照XML格式化与报错检查保留原文、查看错误位置,再针对对应码点处理,避免把整个文本反复替换一遍。