前言

最近在看一個線上xml檔案匯出的問題，需求如下：
從我們平臺匯出一個字尾為tmx的術語語料資料(實際內容為xml檔案)，然後匯入到其他第三方平臺發現無法匯入。
從其他平臺匯入的tmx檔案無法匯入到我們平臺。

因為第三方平臺並沒有提示哪裡出錯，所以這裡還是用了一點時間來定位問題，主要問題有以下兩點：

• 讀取和寫入的時候沒有注意到使用者輸入或匯出的xml中包含特殊字元
• 匯出為xml時沒有將一些非法字元過濾掉

問題一： 過濾特殊標籤

• <
• >
• &
• '
• "

這些特殊標籤在xml中都需要轉義才能夠使用，對應的轉義列表如下：

問題二：過濾非法標籤

這個是在匯入時報了一個錯：An invalid XML character (Unicode: 0x**) was found in the comment.
最後查詢才知道這個是解析的xml中有特殊字元，或者稱為亂碼。（xml格式為UTF-8 BOM）
一般是因為xml中有些不可見的特殊字元，官方定義了XML中的無效字元分為三段：

0x00 - 0x08  
0x0b - 0x0c  
0x0e - 0x1f  

所以解決方法是 解析或者寫入前將字串的非法字元過濾掉，方法如下：

string.replaceAll("[\\x00-\\x08\\x0b-\\x0c\\x0e-\\x1f]", "")
 

今天將自己踩到的坑記錄一下，以往對園友有所幫助。