C#中SgmlReader解析HTML抛出UTF32有效值异常的解决咨询

异常原因 #

问题出在HTML中的&#121669935008数值实体上：

• UTF-32的有效字符范围是0x000000（十进制0）至0x10FFFF（十进制1114111），而该实体的十进制值121669935008远超这个上限。
• SgmlReader解析数值实体时，会尝试将其转换为对应UTF32字符，一旦数值超出合法范围，就会触发你看到的参数异常。
• 移除&符号后，这段内容不再被识别为HTML实体，跳过了实体解析逻辑，因此异常消失。

解决方案 #

1. 预处理HTML，过滤无效数值实体

在将HTML传入SgmlReader前，用正则匹配并替换超出范围的数值实体：

using System.Text.RegularExpressions;

// 读取原始HTML内容
string rawHtml = File.ReadAllText("目标HTML文件路径");

// 清理无效数值实体
string cleanedHtml = Regex.Replace(rawHtml, @"&#(\d+);", match =>
{
    if (long.TryParse(match.Groups[1].Value, out long charCode))
    {
        // 校验是否在UTF32合法范围内
        if (charCode >= 0 && charCode <= 0x10FFFF)
        {
            return match.Value; // 合法实体保留
        }
        return "[无效字符]"; // 无效实体替换为占位符，也可设为空字符串
    }
    return match.Value; // 解析失败的情况保留原内容
});

// 使用清理后的HTML进行后续解析

2. 自定义SgmlReader的实体解析逻辑

若你使用的是可修改的SgmlReader版本（如自行编译源码），可以找到处理数值实体的代码段，添加范围校验：

• 定位到解析&#xxxx;格式实体的方法，在转换为UTF32字符前，先判断数值是否在0~0x10FFFF区间内。
• 对超出范围的实体，直接跳过转换或替换为默认占位符，避免抛出异常。

3. 修复输入源（若可行）

如果该无效实体是输入错误导致的（比如多输入了数字），可联系数据源提供者修正实体数值，从根源解决问题。

内容的提问来源于stack exchange，提问作者Ahmad KFUPM