Sax無效的XML字符異常

Question

我已經下載了堆棧溢出站點的xml轉儲。在將轉儲轉儲到mysql數據庫時，我一直運行到以下錯誤：出現異常：字符引用「某些字符集如&＃x10」是無效的XML字符。

我用UltraEdit（它是一個800兆文件）從文件中刪除一些字符，但是如果我刪除了一個無效字符集並運行了解析器，我會收到識別更多無效字符的錯誤。有關如何解決這個問題的任何建議？

乾杯所有，

Ĵ

Answer 1

您正在使用哪種轉儲？第一個版本出現了問題（不僅是無效字符，而且還出現了<），但它們應該已在second dump中修復。

對於它的價值，我使用兩個正則表達式替換了原始無效字符。替換「&＃x0 [12345678BCEF];」和「
」，每個都帶有「?」 - 當然，它們都是正則表達式。

Answer 2

在XML中允許使用的字符集是here。正如你所看到的，＃x10不是其中之一。如果這些出現在stackoverflow轉儲中，那麼它不符合XML。

或者，您正在使用錯誤的字符編碼讀取XML。

Answer 3

您應該將文件轉換爲UTF-8 我在Java開發，下面是我的轉換

公共字符串FileUTF8Cleaner（文件XMLFILE）{

String out = xmlfile+".utf8"; 
    if (new File(out).exists()) 
     System.out.println("### File conversion process ### Deleting utf8 file"); 
     new File(out).delete(); 
     System.out.println("### File conversion process ### Deleting utf8 file [DONE!]"); 

    try { 
     System.out.println("### File conversion process ### Converting file"); 
     FileInputStream fis = new FileInputStream(xmlfile); 
     DataInputStream in = new DataInputStream(fis); 
     BufferedReader br = new BufferedReader(new InputStreamReader(in)); 
     String strLine; 

     FileOutputStream fos = new FileOutputStream(out); 

     while ((strLine = br.readLine()) != null) { 

      fos.write(strLine.replaceAll("\\p{Cc}", "").getBytes()); 
      fos.write("\n".getBytes()); 
     } 

     fos.close(); 
     fis.close(); 
     in.close(); 
     br.close(); 
     System.out.println("### File conversion process ### Converting file [DONE)]"); 

    } catch(Exception e) { 
     e.printStackTrace(); 
    } 

     System.out.println("### File conversion process ### Processing file : "+xmlfile.getAbsolutePath()+" [DONE!]"); 
     return out; 

}