Regex pour reformater une chaîne en une balise xml sécurisée

Question

J'essaye actuellement d'écrire un RegexReplace pour m'assurer qu'une entrée peut être utilisée comme balise XML valide, ce qui signifie: pas d'espaces, pas de caractères spéciaux, seulement des minuscules, etc. ...

Y a-t-il une approche commune à cela ou dois-je tout faire à partir de zéro?

Exemple:

string Invalid = "asd(%4 asKUd n!%mn &§a_As1"; // Invalid as a tag 

string Valid = FormatToSafeXmlTag(Invalid); // How to write this function? 

// Valid = "asd4_askud_nmna_as1" 

Answer 1

Selon le XML specification, le nom d'un élément est formé de la façon suivante:

Name ::= NameStartChar (NameChar)* 

Où

NameStartChar ::= ":" | [A-Z] | "_" | [a-z] | [#xC0-#xD6] | [#xD8-#xF6] 
    | [#xF8-#x2FF] | [#x370-#x37D] | [#x37F-#x1FFF] | [#x200C-#x200D] 
    | [#x2070-#x218F] | [#x2C00-#x2FEF] | [#x3001-#xD7FF] | [#xF900-#xFDCF] 
    | [#xFDF0-#xFFFD] | [#x10000-#xEFFFF] 
NameChar  ::= NameStartChar | "-" | "." | [0-9] | #xB7 
    | [#x0300-#x036F] | [#x203F-#x2040] 

Ce qui est trivial de convertir une expression régulière.

Si vous souhaitez supprimer un caractère en dehors de cette définition, il suffit d'inverser les caractères recherchés.

Answer 2

• Seuls les minuscules: ^[a-z]+$
• minuscules premier char, (en option) restant caractères lowecase/numéros ^[a-z][a-z0-9]*$
• Seulement en majuscules: ^[A-Z]+$
• alphabet premier char, (facultatif) caractères restants alphanumériques ^[a-zA-Z][a-zA-Z0-9]*$

EDIT: Pour couper tout sauf caractères minuscules en javascript:

str = str.replace(/[^a-z]/g, ""); 

Le hic est lorsque les utilisateurs entre dans rien d'autre que des caractères inacceptables - vous finirez par essayer de créer une balise XML avec une chaîne vide. Je demanderais plutôt à l'utilisateur d'essayer à nouveau - combien il peut être difficile d'entrer une chaîne en minuscule?

ATTENTION: Un autre cas limite est lorsque l'utilisateur entre xml ou n'importe quelle variante insensible à la casse (grâce à la réponse de @ Tim). Si vous utilisez javascript, vous ne pouvez pas utiliser la solution suggérée par Tim, car elle utilise lookbehind, une fonctionnalité non prise en charge par la regex javascript.

code JavaScript:

str = str.replace(/\s/g, "_"); //replaces spaces 

str = str.replace(/[^a-zA-Z0-9_\-]/g, "");//trim symbols 

var reg = new RegExp(/^xml/i); 

if(str.length == 0 || reg.test(str)) //is it empty or "xml" or "XmL" or .. 
    alert("invalid regex"); 

Answer 3

balises XML (je suppose que vous vous posez sur les noms de tag) doivent suivre les règles suivantes:

• commencant par, point, du côlon ou de soulignement
• contiennent uniquement des lettres, des chiffres, point, trait de soulignement ou du côlon (pour namespaces)
• ne doit pas commencer par xml

par conséquent, une expression régulière pour les noms de balises valides pourrait être:

^(?!xml)[\w.:][\w\d.:]*$ 

en fonction de votre saveur regex (par exemple,.NET inclut les lettres Unicode au \w, comme cela est légal pour un nom de tag). Vous pouvez également utiliser

^(?!xml)[p\{L}._:][\p{L}\p{N}._:]*$ 

si \w ne contient pas de lettres Unicode. Mais, bien sûr, vous pouvez utiliser des règles plus restrictives, et peut-être que tous les analyseurs XML ne peuvent pas gérer les noms de balises Unicode complets. Donc à la fin,

^(?!xml)[A-Za-z._:][A-Za-z0-9._:]*$ 

pourrait être votre meilleur pari ...