原程序在生成网址的时候，只是做了一个简单的字符过滤，说它简单吧，其实它也不简单，还循环了好多次才把不想要的字符给拿掉。说它不简单吧，本来用几个正则就可以搞定的事情，它写的那么复杂，还要定义哪些字符要拿掉。
问题就出在怎么定义要拿掉的那些字符上。原程序把键盘上可见的符号基本全输了一遍，这就算过滤了。这样行吗？当然不行啦！那些不可见的字符，0x00, 0x13, 0x19 多的去了，不可见，不可打印，输出到网页不是方块就是问号。
问号在网址里可不是乱用的，放错地方返回就是个 401 Not Found.
说到正则上，一开始我以为 \w 只包括字母数字汉字（还有其它的文字）而以，结果我错了，它还包括 下划线 _ ,以至于 [^\w-]+ 对下划下跟本不起作用。
现在很多中文网站的URL都使用了汉字，但是浏览器会对它们进行转码，本来是为了SEO而加去出的汉字，结果被转了码，不知道对SEO有没有影响，这个不在我的考虑范围之内，因为我们的网站只有英文还有一些不可见不可打印的字符。
public static class StringExtend {
private static Regex illegalReg = new Regex(@"[^a-z0-9-]+", RegexOptions.Compiled |
RegexOptions.IgnoreCase);
private static Regex illegalReg2 = new Regex("-+", RegexOptions.Compiled);
private static Regex illegalReg3 = new Regex("^-+|-+$", RegexOptions.Compiled);
public static string FilterIllegalCharForUrl( this string str ) {
str = illegalReg.Replace(str, "-");
str = illegalReg2.Replace(str, "-");
str = illegalReg3.Replace(str, "");
return str;
}
}
说到不可见，不可打印的字符上，在XML里，如果出现了这些字符，在 XmlDomdocument.Load 的时候，会报错，什么 0x00, 0x19, 0x13,我本来想找一种容错方法，比如在PHP里，可以先对 文本做 iconv("","UTF-8", $str)，然后在写到 XML 或 Load 就可以避免这种错误，但是在 c# 里，我目前还没有查到要怎么做。
XmlReaderSettings 有个 CheckCharacters 属性，
MSDN里是这样解释的：
获取或设置一个值，该值指示是否进行字符检查。
如果 XmlReader 处理文本数据，则无论属性如何设置，读取器将总是检查 XML 名称和文本内容是否有效。
将 CheckCharacters 设置为 false 会禁用对字符实体引用的字符检查。
指示读取器检查字符，如果有任何字符不在合法的 XML 字符范围内，将引发异常。字符检查包括检查文档
中的非法字符，以及检查 XML 名称的有效性（例如，XML 名称不能以数字开头）。
有关更多信息，请参见 W3C XML 1.0 建议的 2.2 节 (http://www.w3.org/TR/REC-xml#charsets) 和 2.3
节 (http://www.w3.org/TR/REC-xml#NT-Name)。
按照字面的意思，这个属性对文本数据不起作用，但是我把文本转成 stream ，结果还是报一样的错误。
这样不行，只好在 Load 之前替换了，以下是Xml非法字符的定义范围：
[\u0000-\u0008\u000B\u000C\u000E-\u001F\uD800-\uDFFF\uFFFE\uFFFF]
摘自： http://www.bobopo.com/article/1000/56.htm
但是和 w3.org 上给出的范围不一样，不明白，也没有细看。
| < Prev | Next > |
|---|
Last Updated ( Friday, 30 July 2010 18:05 )