无法从XML中移除非打印ASCII字符的问题求助

问题原因 #

你遇到的问题是因为XML中的非ASCII字符被解析或存储为了XML实体转义序列（比如Ç、é），这些序列本身由ASCII字符组成，所以你原来的正则[^\\p{ASCII}]无法匹配到它们，导致转义序列被保留下来。

解决方案 #

方案1：先还原XML实体，再移除非ASCII字符

先把XML转义实体还原为原始字符，再用正则过滤非ASCII内容。可以借助工具类实现实体还原：

// 使用Apache Commons Text工具类还原XML实体
import org.apache.commons.text.StringEscapeUtils;

String xmlContent = "你的XML内容";
// 第一步：还原所有XML实体为原始字符
String unescapedXml = StringEscapeUtils.unescapeXml(xmlContent);
// 第二步：移除所有非ASCII字符
String cleanedXml = unescapedXml.replaceAll("[^\\p{ASCII}]", "");

方案2：直接匹配转义实体+非ASCII字符，一次性移除

如果不想引入第三方工具，可以用正则直接匹配XML数字实体模式和非ASCII字符，一起替换为空：

String xmlContent = "你的XML内容";
// 正则匹配：XML数字实体(&#\d+;) 或 非ASCII字符，替换为空
String cleanedXml = xmlContent.replaceAll("(&#\\d+;|[^\\p{ASCII}])", "");

注意正则的顺序：先匹配实体序列，再匹配非ASCII字符，避免实体被拆分匹配。

方案3：XML解析阶段处理（更精准）

如果是在解析XML的过程中处理，比如用SAX/DOM解析器，可以在获取字符内容时直接过滤：

// SAX解析示例
@Override
public void characters(char[] ch, int start, int length) throws SAXException {
    String rawContent = new String(ch, start, length);
    // 移除非ASCII字符
    String cleanedContent = rawContent.replaceAll("[^\\p{ASCII}]", "");
    // 后续处理清理后的内容
}

这种方式的优势是解析器会自动处理XML实体，你拿到的是原始字符，无需额外处理转义序列。

内容的提问来源于stack exchange，提问作者Bala murugan