はじめに

仕事でXMLを取り込む事があったんだけどその時に相手が制御コードを仕込んできた。

取り込みには下記のメソッドを使用していた。

Unmarshaller#unmarshal(XMLStreamReader reader, Class declaredType)

XMLの中身を文字列として取得⇒ストリームに変換⇒オブジェクト化という流れだ。

そして下記のエラーが出る。

Message: ドキュメントの要素コンテンツに無効なXML文字(Unicode: 0x2)が見つかりました。
※無効な文字は何個かあったけど省略

で、相手側が直してくれないらしいので文字列置換で無効なXML文字を取り除くことになった。

XMLで使える文字列

上記サイトによるとXMLで使える文字のコード値は下記の６パターンとのこと

① #x9　⇒　タブ
② #xA　⇒　改行（LF）
③ #xD　⇒　改行（CR）
④ [#x20-#xD7FF]　⇒　半角スペース～ハングル
⑤ [#xE000-#xFFFD]　⇒　外字～特殊用途文字
⑥ [#x10000-#x10FFFF]　⇒　線文字B音節文字～未定義

まぁ基本的に使う文字は④に入ってると思って貰えばいい

一応、Unicodeにおける文字とコード値の表を置いておく

javaでコード値指定して置換する場合、こういう風に書く。
下記は半角スペースをブランクに置換している。
Matcherとか使ってもいいんだけどとりあえずString#replaceAllでも正規表現は使える。

String str = "XMLを文字列化したもの";
str = str.replaceAll("\\u0020", "");

Javaだと「\x00」で２桁の文字コードで「\u0000」で４桁の文字コードが書ける。
バックラッシュが２つ書いてあるのはエスケープです。

全部４桁で書くとこうなる
① #x9　⇒　"\u0009"
② #xA　⇒　"\u000A"
③ #xD　⇒　"\u000D"
④ [#x20-#xD7FF]　⇒　"[\u0020-\uD7FF]"
⑤ [#xE000-#xFFFD]　⇒　"[\uE000-\uFFFD]"

待て・・・Unicodeだと５桁以上もあるじゃないか・・・どうやって表現すればいいんだと思ったが
正規表現で複数桁のコード値を指定する方法があった。

⑥ [#x10000-#x10FFFF]　⇒　"[\x{10000}-\x{10FFFF}]"

これでいいらしい。

正規表現はOR判定できるのでパイプでくっつけて、全部否定する。

String str = "XMLを文字列化したもの";
str = str.replaceAll("(?!\\u0009|\\u000A|\\u000D|[\\u0020-\\uD7FF]|[\\uE000-\\uFFFD]|[\\x{10000}-\\x{10FFFF}]).", "");

これで使えない文字を外したうえで取り込みができた。
正規表現の部分で最後に「.」（ドット）を書かないと反応しなくてずっと悩んだけど
とりあえずこれで使えない文字を外すことはできた。

2017/08/02追加
コメントで指摘されたんだけどこれでもできる。
言われて気づいたが、なんでかパイプで区切っておかないといけないと勘違いしていた。

String str = "XMLを文字列化したもの";
str = str.replaceAll("[^\\u0009\\u000A\\u000D\\u0020-\\uD7FF\\uE000-\\uFFFD\\x{10000}-\\x{10FFFF}]", "");

WEBで調べた時に「含まない文字を除去」っていうのが見つからなかったので今回の記事を書きました。
含まない行を検索する方法はいっぱい出てくるんだけどね。