使用声明的encoding = utf-8从xml中删除非UTF-8字符-Java

Question

我必须用Java处理这种情况：

我从声明了encoding = utf-8的客户端收到XML格式的请求。不幸的是，它可能不包含utf-8字符，并且有必要从我这一边的xml中删除这些字符（旧式）。

让我们考虑一个示例，其中该无效XML包含£（磅）。

1）我将xml作为带有£的java字符串（我现在无法访问接口，但我很可能将xml作为java的字符串）。我可以使用replaceAll（£，“”）摆脱这个字符吗？有潜在的问题吗？

2）我得到xml作为字节数组-在这种情况下如何安全地处理此操作？

Answer 1

1）我将xml作为带有£的java字符串（我现在无法访问接口，但我很可能将xml作为java的字符串）。我可以使用replaceAll（£，“”）摆脱这个字符吗？

我假设您的意思是说您要摆脱非ASCII字符，因为您正在谈论“传统”方面。您可以使用以下正则表达式消除可打印ASCII范围之外的任何内容：

string = string.replaceAll("[^\\x20-\\x7e]", "");

2）我得到xml作为字节数组-在这种情况下如何安全地处理此操作？

您需要将包裹在byte[]中ByteArrayInputStream，以便可以使用UTF-8编码的字符流（通过InputStreamReader其中指定编码）BufferedReader来读取它们，然后使用来逐行读取。

例如

BufferedReader reader = null;
try {
    reader = new BufferedReader(new InputStreamReader(new ByteArrayInputStream(bytes), "UTF-8"));
    for (String line; (line = reader.readLine()) != null;) {
        line = line.replaceAll("[^\\x20-\\x7e]", "");
        // ...
    }
    // ...