XML解析失败常因非法字符导致，需清理控制字符并保留合法范围#x9、#xA、#xD及#x20-#xD7FF、#xE000-#xFFFD，可通过正则预处理或CDATA包裹已清洗内容，结合XML库容错机制有效避免异常。
在处理XML数据时，经常会遇到非法字符导致解析失败的问题。XML对可接受的字符有严格规定，超出范围的字符会被视为非法，影响文档的正确性和可读性。解决这类问题的关键是识别哪些字符不被允许，并采取适当方式清理或转义。
了解XML中的合法字符范围
XML 1.0标准定义了允许出现在文档中的字符范围，超出这些范围的字符必须被处理或移除：
- 合法字符包括基本Unicode范围：#x9（Tab）、#xA（换行）、#xD（回车），以及 #x20 到 #xD7FF 和 #xE000 到 #xFFFD
- 控制字符如 #x0 到 #x8、#xB、#xC、#xE 到 #x1F（除Tab、换行、回车外）属于非法字符
- 字节顺序标记（BOM）虽常见但非必需，某些解析器可能报错
预处理输入数据以清除非法字符
在将文本写入或解析为XML前，应主动过滤掉非法字符。以下是几种常见语言中的处理方法：
Java 示例：使用正则表达式移除不可见控制字符：
String cleanXml = dirtyXml.replaceAll("[\\x00-\\x08\\x0B\\x0C\\x0E-\\x1F]", "");
Python 示例：
通过字符串过滤保留合法字符：
import re clean_text = re.sub(r'[\x00-\x08\x0B\x0C\x0E-\x1F]', '', dirty_text).NET 示例：
使用正则清理：
string cleanXml = Regex.Replace(dirtyXml, @"[\x00-\x08\x0B\x0C\x0E-\x1F]", "");
使用CDATA包裹特殊内容
若数据中包含大量需保留的特殊符号（如脚本代码、日志信息），可考虑使用CDATA段避免逐个转义：
注意：CDATA不能包含非法字符，内容仍需预先清洗。, &, and even unescaped control data if pre-cleaned.]]>
借助XML库自动处理异常
部分现代XML解析器提供容错模式或清理功能：
- 使用SAX或StAX解析时，可在事件处理中跳过非法字符
- DOM解析前先用InputStreamReader配合字符集过滤
- Apache Commons Text 提供
StringEscapeUtils辅助转义 - 第三方工具如JTidy可用于修复不良格式XML
基本上就这些。关键在于提前识别非法字符来源——常来自剪贴板粘贴、日志导入或不同系统间数据交换。只要在生成或解析XML前做一次字符筛查，就能避免大多数解析异常。处理时不建议强行保留非法字符，而应结合业务逻辑决定替换为空格或删除。
