.NET 4.8正则本地正常生产环境误删等号，求排查原因

问题概况 #

• 需求：移除XML文件中的非法特殊字符
• 异常现象：本地及正则测试工具运行正常，但在en-US区域文化的生产环境中，合法的等号(=)被错误替换为空
• 运行环境：.NET Framework 4.8

复现代码 #

using System;
using System.Text.RegularExpressions;

class Program
{
    static void Main(string[] args)
    {
        string xmlString = "<root><name>John & = Doe</name></root>";

        // Replace special characters with their XML entities
        string cleanedXml = Regex.Replace(xmlString, @"[^\u09\u0A\u0D\u20-\uD7FF\uE000-\uFFFD\u10000-\u10FFFF]", 
                                       string.Empty);
    
        Console.WriteLine(cleanedXml);
    }
}

问题原因 #

问题出在.NET正则表达式的文化敏感排序行为上：
默认情况下，.NET Framework的正则引擎会使用当前线程的区域文化（此处为en-US）的排序规则解析字符范围（如\u20-\uD7FF），而非严格按照Unicode码点的数值顺序判断。

虽然等号=的Unicode码点是\u003D，数值上确实落在\u20-\uD7FF区间内，但en-US区域的排序权重逻辑导致正则引擎误判=不在该区间内，因此被纳入否定字符类[^...]的匹配范围，最终被替换为空。

解决方案 #

在Regex.Replace方法中添加RegexOptions.CultureInvariant选项，强制正则引擎按照Unicode码点的数值顺序解析字符范围，不受区域文化影响：

修改后的代码：

string cleanedXml = Regex.Replace(xmlString, @"[^\u09\u0A\u0D\u20-\uD7FF\uE000-\uFFFD\u10000-\u10FFFF]", 
                               string.Empty, RegexOptions.CultureInvariant);

修改后，无论当前区域文化是什么，正则都会严格按Unicode码点判断字符合法性，等号=会被正确保留，同时依然能过滤XML的非法特殊字符。

内容的提问来源于stack exchange，提问作者Azhagupandiyan Venkatesan