¿Qué caracteres se deben escapar en los documentos XML, o dónde podría encontrar una lista de este tipo?

Si usa una clase o biblioteca apropiada, ellos harán el escape por usted. Muchos problemas de XML están causados ​​por la concatenación de cadenas.

Caracteres de escape XML

Solo hay cinco:

"   "
'   '
<   &lt;
>   &gt;
&   &amp;

Los caracteres de escape dependen de dónde se use el carácter especial.

Los ejemplos se pueden validar en el Servicio de validación de marcado W3C .

Texto

La forma segura es escapar de los cinco caracteres del texto. Sin embargo, los tres caracteres ", 'y >no necesitan escaparse en el texto:

<?xml version="1.0"?>
<valid>"'></valid>

Atributos

La forma segura es escapar de los cinco caracteres en los atributos. Sin embargo, el >personaje no necesita escapar en atributos:

<?xml version="1.0"?>
<valid attribute=">"/>

El 'carácter no necesita escapar en atributos si las comillas son ":

<?xml version="1.0"?>
<valid attribute="'"/>

Del mismo modo, "no es necesario escapar a los atributos si las comillas son ':

<?xml version="1.0"?>
<valid attribute='"'/>

Comentarios

Los cinco caracteres especiales no se deben escapar en los comentarios:

<?xml version="1.0"?>
<valid>
<!-- "'<>& -->
</valid>

CDATA

Los cinco caracteres especiales no deben escaparse en las secciones CDATA :

<?xml version="1.0"?>
<valid>
<![CDATA["'<>&]]>
</valid>

Instrucciones de procesamiento

Los cinco caracteres especiales no deben escaparse en las instrucciones de procesamiento XML:

<?xml version="1.0"?>
<?process <"'&> ?>
<valid/>

XML vs. HTML

HTML tiene su propio conjunto de códigos de escape que cubren muchos más caracteres.

Quizás esto ayude:

Lista de referencias de entidades de caracteres XML y HTML :

En los documentos SGML, HTML y XML, las construcciones lógicas conocidas como datos de caracteres y valores de atributos consisten en secuencias de caracteres, en las que cada carácter puede manifestarse directamente (representarse a sí mismo), o puede representarse mediante una serie de caracteres llamados referencia de caracteres, de los cuales hay dos tipos: una referencia de caracteres numéricos y una referencia de entidad de caracteres. Este artículo enumera las referencias de entidades de caracteres que son válidas en documentos HTML y XML.

Ese artículo enumera las siguientes cinco entidades XML predefinidas:

quot  "
amp   &
apos  '
lt    <
gt    >

De acuerdo con las especificaciones del World Wide Web Consortium (w3C), hay 5 caracteres que no deben aparecer en su forma literal en un documento XML , excepto cuando se usan como delimitadores de marcado o dentro de un comentario, una instrucción de procesamiento o una sección CDATA . En todos los demás casos, estos caracteres deben reemplazarse utilizando la entidad correspondiente o la referencia numérica de acuerdo con la siguiente tabla:

Original CharacterXML entity replacementXML numeric replacement
<                              &lt;                                    &#60;                                    
>                              &gt;                                   &#62;                                    
"                               &quot;                               &#34;                                    
&                              &amp;                               &#38;                                    
'                               &apos;                               &#39;                                    

Tenga en cuenta que las entidades mencionadas también se pueden utilizar en HTML, con la excepción de & apos; , que se introdujo con XHTML 1.0 y no se declara en HTML 4. Por este motivo, y para garantizar la retrocompatibilidad, la especificación XHTML recomienda el uso de & # 39; en lugar.

Los caracteres de escape son diferentes para las etiquetas y los atributos.

Para etiquetas:

 < &lt;
 > &gt; (only for compatibility, read below)
 & &amp;

Para atributos:

" "
' '

De datos de caracteres y marcado :

El carácter de y comercial (&) y el paréntesis angular izquierdo (<) no deben aparecer en su forma literal, excepto cuando se usan como delimitadores de marcado, o dentro de un comentario, una instrucción de procesamiento o una sección CDATA. Si se necesitan en otro lugar, se deben escapar utilizando referencias de caracteres numéricos o las cadenas "& amp;" y "& lt;" respectivamente. El corchete angular derecho (>) puede representarse usando la cadena "& gt;" y debe, por compatibilidad, escapar usando "& gt;" o una referencia de caracteres cuando aparece en la cadena "]]>" en el contenido, cuando esa cadena no marca el final de una sección CDATA.

Para permitir que los valores de atributo contengan comillas simples y dobles, el carácter de apóstrofe o comillas simples (') puede representarse como "& apos;", y el carácter de comillas dobles (") como" & quot; ".

^{Nueva respuesta simplificada a una vieja pregunta común ...}

Escapado XML simplificado _{^{(priorizado, 100% completado)}}

1. Siempre _{^{(90% importante para recordar)}}

   • Escapar <como a <menos que <esté comenzando a <tag/>.
   • Escapar &como a &menos que &esté iniciando un &entity;.

2. Valores de atributo _{^{(9% importante para recordar)}}

   • attr=" 'Las comillas simples 'están bien entre comillas dobles."
   • attr=' "Las comillas dobles "están bien dentro de comillas simples.'
   • Escapar "como "y de 'lo 'contrario.

3. Comentarios , CDATA e instrucciones de procesamiento _{^{(0.9% importante para recordar)}}

   • <!--Dentro de los comentarios --> no se debe escapar nada, pero no --se permiten condiciones.
   • <![CDATA[Dentro de CDATA ]]> no se debe escapar nada, pero no ]]>se permiten cadenas.
   • <?PITargetDentro de los PI ?> no se debe escapar nada, pero no ?>se permiten cadenas.

4. Esotérica _{^{(0.1% importante para recordar)}}

   • Escapar ]]>como a ]]>menos que ]]>esté terminando una sección CDATA.
     _{^{(Esta regla se aplica a los datos de caracteres en general, incluso fuera de una sección CDATA).}}

Además de los cinco caracteres comúnmente conocidos [<,>, &, "y '], también escaparía del carácter de tabulación vertical (0x0B). Es UTF-8 válido, pero no es válido XML 1.0, e incluso muchas bibliotecas (incluida la biblioteca altamente portátil (ANSI C) libxml2 ) lo omite y genera silenciosamente XML no válido.

Abreviado de: XML, Escaping

Hay cinco entidades predefinidas:

&lt; represents "<"
&gt; represents ">"
&amp; represents "&"
&apos; represents '
&quot; represents "

"Todos los caracteres Unicode permitidos pueden representarse con una referencia de caracteres numéricos". Por ejemplo:

中

La mayoría de los caracteres de control y otros rangos Unicode están específicamente excluidos, lo que significa (creo) que no pueden ocurrir ya sea escapados o directos:

Caracteres válidos en XML

Depende del contexto. Para el contenido, es < y & , y ]]> (aunque una cadena de tres en lugar de un carácter).

Para valores de atributo, es < , & , " y ' .

Para CDATA, es ]]> .

Solo <y &se requiere que se escapen si se van a tratar los datos de caracteres y no el marcado:

2.4 Datos de caracteres y marcado