javascript - 在使用 XMLSerializer() 序列化 XML 之前从 XML 中删除无效字符

Question

我正在尝试将用户输入存储在客户端 (javascript) 的 XML 文档中，并将其传输到服务器以实现持久性。

例如，一位用户粘贴了包含 STX 字符 (0x2) 的文本。 XMLSerializer 没有转义 STX 字符，因此没有序列化为格式正确的 XML。或者 .attr() 调用可能已经转义了 STX 字符，但无论哪种情况，都会生成无效的 XML。

我发现浏览器内 XMLSerializer() 的输出并不总是格式正确，(甚至不满足浏览器自己的 DOMParser()

这个例子表明 STX 字符没有被 XMLSerializer() 正确编码:

> doc = $.parseXML('<?xml version="1.0" encoding="utf-8" ?>\n<elem></elem>');
    #document
> $(doc).find("elem").attr("someattr", String.fromCharCode(0x2));
    [ <elem someattr=​"">​</elem>​ ]
> serializedDoc = new XMLSerializer().serializeToString(doc);
    "<?xml version="1.0" encoding="utf-8"?><elem someattr=""/></elem>"
> $.parseXML(serializedDoc);
    Error: Invalid XML: <?xml version="1.0" encoding="utf-8"?><elem someattr=""/></elem>

我应该如何在浏览器中构建一个 XML 文档(其参数由任意用户输入确定)以使其始终格式正确(所有内容都正确转义)？我不需要支持 IE8 或 IE7。

(是的，我确实在服务器端验证了 XML，但是如果浏览器向服务器提交了一个格式不正确的文档，服务器能做的最好的事情就是拒绝它，这对可怜的用户)

Answer 1

这里有一个函数 sanitizeStringForXML() 可以用来在赋值之前清理字符串，或者派生函数 removeInvalidCharacters(xmlNode) 可以传递一个 DOM 树和将自动清理属性和文本节点，以便它们可以安全存储。

var stringWithSTX = "Bad" + String.fromCharCode(2) + "News";
var xmlNode = $("<myelem/>").attr("badattr", stringWithSTX);

var serializer = new XMLSerializer();
var invalidXML = serializer.serializeToString(xmlNode);

// Now cleanse it:
removeInvalidCharacters(xmlNode);
var validXML = serializer.serializeToString(xmlNode);

我基于 non-restricted characters section of this wikipedia article 中的字符列表，但补充平面需要 5 个十六进制数字的 unicode 字符，并且 Javascript 正则表达式不包含此语法，所以现在，我只是将它们删除(你不会错过太多......):

// WARNING: too painful to include supplementary planes, these characters (0x10000 and higher) 
// will be stripped by this function. See what you are missing (heiroglyphics, emoji, etc) at:
// http://en.wikipedia.org/wiki/Plane_(Unicode)#Supplementary_Multilingual_Plane
var NOT_SAFE_IN_XML_1_0 = /[^\x09\x0A\x0D\x20-\xFF\x85\xA0-\uD7FF\uE000-\uFDCF\uFDE0-\uFFFD]/gm;
function sanitizeStringForXML(theString) {
    "use strict";
    return theString.replace(NOT_SAFE_IN_XML_1_0, '');
}

function removeInvalidCharacters(node) {
    "use strict";

    if (node.attributes) {
        for (var i = 0; i < node.attributes.length; i++) {
            var attribute = node.attributes[i];
            if (attribute.nodeValue) {
                attribute.nodeValue = sanitizeStringForXML(attribute.nodeValue);
            }
        }
    }
    if (node.childNodes) {
        for (var i = 0; i < node.childNodes.length; i++) {
            var childNode = node.childNodes[i];
            if (childNode.nodeType == 1 /* ELEMENT_NODE */) {
                removeInvalidCharacters(childNode);
            } else if (childNode.nodeType == 3 /* TEXT_NODE */) {
                if (childNode.nodeValue) {
                    childNode.nodeValue = sanitizeStringForXML(childNode.nodeValue);
                }
            }
        }
    }
}

请注意，这只会从属性和文本节点的节点值中删除无效字符。它不检查标签名称或属性名称、注释等。