filtre/supprimer les caractères xml invalides du flux

Question

D'abord les choses d'abord, je ne peux pas changer la sortie du xml, il est produit par un tiers. Ils insèrent des caractères invalides dans le fichier XML. On me donne un InputStream de la représentation du flux d'octets du xml. Est-ce leur façon plus propre de filtrer les personnages offensants en plus de consommer le flux dans une chaîne et de le traiter? J'ai trouvé ceci: using a FilterReader mais cela ne fonctionne pas pour moi car j'ai un flux d'octets et pas un flux de caractères. Pour que cela vaille la peine, tout cela fait partie d'une procédure jmab unmarshalling, juste au cas où des options sont proposées.

Nous ne sommes pas prêts à jeter le flux entier s'il a de mauvais caractères. Nous avons décidé de les enlever et de continuer.

Voici un FilterReader que j'ai essayé de construire.

public class InvalidXMLCharacterFilterReader extends FilterReader 
{ 

private static final Log LOG = LogFactory 
.getLog(InvalidXMLCharacterFilterReader.class); 

public InvalidXMLCharacterFilterReader(Reader in) 
{ 
    super(in); 
} 

public int read() throws IOException { 
    char[] buf = new char[1]; 
    int result = read(buf, 0, 1); 
    if (result == -1) 
     return -1; 
    else 
     return (int) buf[0]; 
} 

public int read(char[] buf, int from, int len) throws IOException { 
    int count = 0; 
    while (count == 0) { 
     count = in.read(buf, from, len); 
     if (count == -1) 
      return -1; 

     int last = from; 
     for (int i = from; i < from + count; i++) { 
      LOG.debug("" + (char)buf[i]); 
      if(!isBadXMLChar(buf[i])) 
      { 
       buf[last++] = buf[i]; 
      } 
     } 

     count = last - from; 
    } 
    return count; 
} 

private boolean isBadXMLChar(char c) 
{ 
    if ((c == 0x9) || 
     (c == 0xA) || 
     (c == 0xD) || 
     ((c >= 0x20) && (c <= 0xD7FF)) || 
     ((c >= 0xE000) && (c <= 0xFFFD)) || 
     ((c >= 0x10000) && (c <= 0x10FFFF))) 
    { 
     return false; 
    } 
    return true; 
} 

}

Et voici comment je suis unmarshalling il:

jaxbContext = JAXBContext.newInstance(MyObj.class); 
Unmarshaller unMarshaller = jaxbContext.createUnmarshaller(); 
Reader r = new InvalidXMLCharacterFilterReader(new BufferedReader(new InputStreamReader(is, "UTF-8"))); 
MyObj obj = (MyObj) unMarshaller.unmarshal(r); 

et certains mauvais exemple xml

<?xml version="1.0" encoding="UTF-8" ?> 
<foo> 
    bar&#x01; 
</foo> 

Answer 1

Afin de le faire avec un filtre, la le filtre doit être conscient de l'entité XML, car (au moins dans votre exemple et probablement parfois en utilisation réelle) les mauvais caractères sont en le xml en tant qu'entités. Le filtre voit votre entité comme une séquence de 6 caractères parfaitement acceptables et ne les dépouille donc pas.

La conversion qui interrompt JAXB se produit plus tard dans le processus.