我有一个XML文件，它是数据库的输出。我正在使用Java SAX解析器来解析XML并以另一种格式输出它。 XML包含一些无效字符，并且解析器抛出诸如"无效Unicode字符(0x5)"之类的错误。

除了逐行预处理文件并替换它们之外，是否有一种很好的方法可以去除所有这些字符？到目前为止，我遇到了3个不同的无效字符(0x5、0x6和0x7)。这是一个约4gb的数据库转储，我们将对其进行大量处理，因此，每次我们有一个新的转储在其上运行预处理器时，都必须等待额外的30分钟，这不是我第一次遇到这个问题。

解决方案

我没有亲自使用它，但是Atlassian开发了一种命令行XML清理程序，它可以满足需求(它主要是为JIRA而设计的，但XML是XML)：

Download atlassian-xml-cleaner-0.1.jar
  
  Open a DOS console or shell, and locate the XML or ZIP backup file on your computer, here assumed to be called data.xml
  
  Run:
   java -jar atlassian-xml-cleaner-0.1.jar data.xml > data-clean.xml
  
  This will write a copy of data.xml to data-clean.xml, with invalid characters removed.

是否有可能无效字符仅出现在值中，而不是标记本身，即XML在概念上符合架构，但值未得到正确清理？如果是这样，如何覆盖InputStream来创建CleansingInputStream，以将无效字符替换为XML等效字符？

问题与XML无关：它与字符编码有关。最终的结果是，每个字符串(无论是XML还是其他形式)都由字节组成，并且我们不知道这些字节代表什么字符，除非我们被告知编码字符串的字符是什么。例如，如果供应商告诉我们它是UTF-8，但实际上是其他东西，那么我们肯定会遇到问题。在最好的情况下，一切正常，但是某些字节被转换为"错误"字符。在最坏的情况下，我们会遇到与遇到的错误类似的错误。

实际上，问题甚至更糟：字符串包含不代表任何字符编码中的字符的字节序列。没有文本处理工具，更不用说XML解析器了。这需要字节级清除。