Java中如何移除特定Unicode字符（保留é等可打印字符）

安全阿岳

2026-8-12

解决方案：移除XML非法字符同时保留é等非ASCII可打印字符

问题根源

XML 1.0规范仅允许特定范围的字符：#x9（制表符）、#xA（换行）、#xD（回车），以及#x20-#xD7FF、#xE000-#xFFFD、#x10000-#x10FFFF区间的字符。\u0019（End Of Medium）属于非法控制字符，而é（U+00E9）落在合法区间内。之前使用\\P{Print}会误删é，因为\P{Print}仅覆盖ASCII可打印字符（0x20-0x7E），不包含非ASCII的打印字符；StringEscapeUtils.unescapeJava是处理Java转义字符的工具，并不适用于移除XML非法字符。

可行方案

方案1：精准移除目标非法字符

如果确认只有\u0019这一个问题字符，直接针对性替换最高效，完全不会影响其他字符：

public String removeEOMChar(String input) {
    if (input == null) return null;
    return input.replace("\u0019", "");
}

方案2：批量移除所有XML非法字符

如果可能存在其他类似的非法控制字符，用正则匹配XML规范外的字符并移除，同时保留所有合法字符（包括é这类非ASCII字符）：

public String sanitizeXmlString(String input) {
    if (input == null) return null;
    // 匹配所有XML 1.0不允许的字符
    String invalidXmlCharsRegex = "[^\\x09\\x0A\\x0D\\x20-\\xD7FF\\xE000-\\xFFFD\\x10000-\\x10FFFF]";
    return input.replaceAll(invalidXmlCharsRegex, "");
}