An invalid XML character – neplatný znak v XML

Znění hlášky v jednotlivých parserech

Parser	Hláška	Kdy
libxml2 2.13 a novější PHP (DOM, SimpleXML), xmllint, Python lxml, validátor na XML.cz	`xmlParseCharRef: invalid xmlChar value 0`	Číselný odkaz na zakázaný znak
	`PCDATA invalid Char value 1`	Řídicí znak přímo v textu
Java (Xerces) DocumentBuilder, SAXParser, JAXB, Spring, Maven	`Character reference "&#0" is an invalid XML character.`	Číselný odkaz na zakázaný znak
	`An invalid XML character (Unicode: 0x1) was found in the element content of the document.`	Řídicí znak přímo v textu
Python (expat) xml.etree.ElementTree, minidom	`reference to invalid character number: line 1, column 6`	Číselný odkaz na zakázaný znak
Python (expat) xml.etree.ElementTree, minidom	`not well-formed (invalid token): line 1, column 7`	Řídicí znak přímo v textu
.NET XmlDocument, XDocument, XmlReader	`hexadecimal value 0x00, is an invalid character. Line 1, position 9.`	Číselný odkaz na zakázaný znak
.NET XmlDocument, XDocument, XmlReader	`hexadecimal value 0x01, is an invalid character. Line 1, position 8.`	Řídicí znak přímo v textu
Chrome 151+ DOMParser, zobrazení XML souboru	`Invalid character U+0000`	Číselný odkaz na zakázaný znak
Chrome 151+ DOMParser, zobrazení XML souboru	`Invalid character U+0001`	Řídicí znak přímo v textu
Firefox (česky) DOMParser, zobrazení XML souboru v české verzi	`Chyba parsování XML: Reference na neplatné číslo znaku`	Číselný odkaz na zakázaný znak
	`Chyba parsování XML: Dokument není dobře zformátován`	Řídicí znak přímo v textu

XML 1.0 povoluje tabulátor (U+0009), konec řádku (U+000A), návrat vozíku (U+000D) a znaky od U+0020 výš kromě U+D800–U+DFFF, U+FFFE a U+FFFF (produkce Char). Ostatní řídicí znaky U+0000–U+001F nejsou povolené v textu, atributech ani jako číselný odkaz. XML 1.1 povoluje U+0001–U+001F jako číselný odkaz, U+0000 ani tam ne, a v praxi se skoro nepoužívá (viz XML 1.0 vs 1.1).

Příčiny a opravy

Číselný odkaz na zakázaný znak

Chybně

<text>&#0;</text>

Vyzkoušet v nástroji

Opraveno

<text>bez NUL</text>

Číselný odkaz nepovoluje nic, co nepovoluje samotný text. U+0000 je zakázaný vždy. U běžného ampersandu nebo menší než jde naopak o syntaxi, kterou vyřeší & nebo < (viz znak & v XML).

Řídicí znak přímo v textu

Chybně: mezi a a b je neviditelný znak U+0001

<text>ab</text>

Vyzkoušet v nástroji

Opraveno

<text>ab</text>

Řídicí znaky se do XML obvykle dostanou z databáze, z textu zkopírovaného z jiné aplikace nebo z binárních dat. V editoru nejsou vidět. Najdi je podle kódového bodu:

Python: řádek, sloupec a kód zakázaného znaku

import re

# Řídicí znaky, které XML 1.0 nepovoluje (tabulátor, LF a CR povolené jsou).
zakazane = re.compile(r"[\x00-\x08\x0B\x0C\x0E-\x1F]")

with open("data.xml", encoding="utf-8") as soubor:
    for radek, text in enumerate(soubor, 1):
        for m in zakazane.finditer(text):
            print(radek, m.start() + 1, hex(ord(m.group())))  # 1 8 0x1

Jak chybu opravit

Odstraň znak jen podle pravidel aplikace, nebo binární data přenes jako Base64. Automatické mazání všech netisknutelných znaků může zničit tabulátory a nové řádky. Nejlépe znak odfiltruj už tam, kde XML vzniká, a zjisti, proč se do dat dostal.

Odliš zakázaný znak od chyby kódování

Číselný odkaz  označuje skutečně zakázaný znak U+0000. Jde o jiný problém než nesprávné UTF-8 bajty, které ještě nelze převést na platné znaky. Samotná změna XML deklarace zakázaný znak neopraví.

Pokud jsou zdrojem data, která mohou obsahovat libovolné bajty, přenes je jako Base64 v poli určeném pro binární obsah. Nezahazuj znaky bez rozhodnutí aplikace: tabulátory a konce řádků jsou v XML 1.0 povolené a mohou být součástí významu. Zápis znaků popisují základy XML, diagnostiku bajtů chyby kódování.