C++如何删除字符串中包含的非法XML字符-C++-PHP中文网

非法xml字符是xml 1.0规范禁止的unicode码点，包括u+0000–u+0008、u+000b–u+000c、u+000e–u+001f等控制字符；不能直接用iscntrl删除，因其不区分合法/非法unicode控制符且utf-8下行为不可靠；推荐转为u32string后用正则精确过滤。

c++如何删除字符串中包含的非法xml字符

什么是非法XML字符，为什么不能直接删

XML 1.0 规范只允许特定 Unicode 范围内的字符：U+0009、U+000A、U+000D（制表、换行、回车）和 U+0020–U+D7FF、U+E000–U+FFFD，以及 U+10000–U+10FFFF。U+0000–U+0008、U+000B–U+000C、U+000E–U+001F 这些控制字符（除上述三个外）是非法的，会被 libxml2、tinyxml2 或 .NET 的 XmlDocument 拒绝解析，报错如 Invalid character 或 XML_ERR_INVALID_CHAR。

不能简单用 std::remove_if 配合 iscntrl —— 因为 iscntrl 在宽字符/多字节下行为不可靠，且会误杀合法的 Unicode 控制符（比如 U+2028 行分隔符在 XML 中是合法的）。

用正则过滤非法字符（C++11 及以上）

最稳妥的做法是显式匹配并移除所有非法码点。C++11 std::regex 支持 Unicode 字符类，但注意：标准库 regex 对 UTF-8 编码的字符串做逐字节匹配，不理解 Unicode 码点 —— 所以必须先将 std::string（UTF-8）转为 std::u32string，再用 std::regex 处理码点。

先用 std::wstring_convert<:codecvt_utf8>, char32_t></:codecvt_utf8>（或更推荐的 std::from_bytes + C++20 std::text_encoding，但暂未普及）转换 UTF-8 字符串到 std::u32string
定义非法范围正则：R"([\x{0}-\x{8}\x{B}-\x{C}\x{E}-\x{1F}\x{7F}-\x{84}\x{86}-\x{9F}])"（覆盖 U+0000–U+0008、U+000B–U+000C、U+000E–U+001F、U+007F–U+0084、U+0086–U+009F）
用 std::regex_replace 替换为空
再转回 UTF-8 std::string

示例片段：

C++14

C++14 对 C++11 的修正与增强版本，适合旧系统维护和较老工具链兼容。

下载

std::string sanitize_xml_string(const std::string& s) {
    // UTF-8 → u32string
    std::u32string u32 = utf8_to_u32(s);
    // 正则匹配非法码点（注意：需编译器支持 \x{...} 语法，GCC 10+/Clang 12+）
    std::wregex re(LR"([\x{0}-\x{8}\x{B}-\x{C}\x{E}-\x{1F}\x{7F}-\x{84}\x{86}-\x{9F}])", std::regex_constants::icase);
    std::u32string clean = std::regex_replace(u32, re, L"");
    return u32_to_utf8(clean);
}

不用正则的轻量级方案（适合嵌入式或旧编译器）

如果不能用 std::regex（比如 GCC utf8cpp 库（头文件 only，无依赖）的 utf8::next：

包含 utf8.h，用 utf8::iterator 或 utf8::next 逐个提取码点
对每个 uint32_t cp，检查是否满足：(cp >= 0x00 && cp = 0x0B && cp = 0x0E && cp = 0x7F && cp = 0x86 && cp
只把合法码点用 utf8::append 写入结果字符串

这样避免了正则开销，也绕过了 std::regex 在不同 STL 实现中对 Unicode 支持不一的问题。

常见坑：Windows 控制台、BOM、换行符处理

容易忽略的点：

从 Windows 文件读取时，\r\n 是合法的，但若原始字符串含孤立 \r（即 \r 后非 \n），它属于非法字符（U+000D 单独出现是允许的，但 XML 规范要求“只有 CR、LF、CRLF 被视为行结束”，实际解析器常宽松；不过严格起见，建议保留 \r 和 \n，只删 \r 前置的非法控制符）
UTF-8 BOM（\xEF\xBB\xBF）不是非法字符，但某些 XML 解析器会因 BOM 报错 —— 这属于格式问题，不是字符合法性问题，应单独剥离，不要混在非法字符清理里
日志或调试输出时，用 printf("%02x ", (unsigned char)c) 查看原始字节，比 std::cout 更可靠，因为终端可能隐藏或替换控制符