前言
最近在看一個線上xml文件導出的問題，需求如下：
從我們平台導出一個后綴為tmx的術語語料數據(實際內容為xml文件)，然后導入到其他第三方平台發現無法導入。
從其他平台導入的tmx文件無法導入到我們平台。
因為第三方平台並沒有提示哪里出錯，所以這里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用戶輸入或導出的xml中包含特殊字符
- 導出為xml時沒有將一些非法字符過濾掉
問題一： 過濾特殊標簽
- <
- >
- &
- '
- "
這些特殊標簽在xml中都需要轉義才能夠使用，對應的轉義列表如下：
問題二：過濾非法標簽
這個是在導入時報了一個錯：An invalid XML character (Unicode: 0x**) was found in the comment.
最后查找才知道這個是解析的xml中有特殊字符，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符，官方定義了XML中的無效字符分為三段：
0x00 - 0x08
0x0b - 0x0c
0x0e - 0x1f 所以解決方法是 解析或者寫入前將字符串的非法字符過濾掉，方法如下：
string.replaceAll("[\\x00-\\x08\\x0b-\\x0c\\x0e-\\x1f]", "")