检测到无效 XML 个字符

Question

关于这个问题：removing invalid XML characters from a string in java，在@McDowell 的回复中 he/she 说删除无效 XML 字符的方法是：

String xml10pattern = "[^"
                + "\u0009\r\n" // #x9 | #xA | #xD 
                + "\u0020-\uD7FF" // [#x20-#xD7FF]
                + "\uE000-\uFFFD" // [#xE000-#xFFFD] 
                + "\ud800\udc00-\udbff\udfff" // [#x10000-#x10FFFF]
                + "]";

然后：

replaceAll(xml10pattern, "");

嗯，我有两个问题：

不应该转义所有 unicode 字符吗？我的意思是 \u0009\u000A\u000D...，而不是 \u0009\r\n，就像我在@ogrisel 的回复中看到的那样：Stripping Invalid XML characters in Java
我不明白最后一个范围 (U+10000–U+10FFFF) 是如何转换成 "\ud800\udc00-\udbff\udfff" 的。不可以是"\u10000-\u10FFFF"吗？

我真的必须检测或过滤这种字符，但我不太确定该怎么做。

顺便说一句，这必须在 JDK 1.5 上工作（因此，不允许使用像 \x{h...h} 这样的表达式）

非常感谢。

======更新======

我想检测 String str 是否包含此类无效字符的方法是：

if (!str.replaceAll(pattern, "").equals(str)) { 
    // Contains non XML valid characters. 
}

非常欢迎任何其他建议 ;)

Answer 1

1) 它双向工作，\u0009 是 java 转义序列，\u0009 是正则表达式转义序列

2) Java 字符串是 UTF-16 编码的，U+10000 是用 2 个 16 位字符编码的 \ud800\udc00，参见字符 API Unicode 字符表示

检测到无效 XML 个字符

Detect non valid XML characters

java

regex

xml

unicode