XML UTF8字符集界限

我正在开发一个XML库，以便更全面地了解它的全部内容。我遇到了需要转义和验证XML字符串的情况。环顾四周，人们通常只会提到

&

以及引号和

仔细研究，我发现了实际的规格： 其中指出：

Char    ::=       #x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]

很好，在有效字符上布局完美。我的问题是

UTF-8

是8位块（代码单位？），最大值为256位。如果我严格使用

UTF-8

字符串，那么所有内容都将在

#xD7FF

范围内，而最终范围内没有任何内容

在我看来，使用

UTF-8

对上限进行边界检查是毫无意义的，我知道字符集/unicode可能充满了陷阱，我缺少了什么吗

例如，我使用的是Swift。所以如果我去

let someString = "abcdefg"
for char in someString.utf8 {
//  char is a UTF8.CodeUnit which is a type alias to UInt8, 
//  comparing a UInt8 to a value of something over 256 is just silly?
}

我假设XML规范中的

UTF-16

+？

#xA

，

#xE000

，

#x10000

等的上限是（也称为Unicode码点，不包括为UTF-16保留的高代理码点和低代理码点）。这就是枚举字符串视图时得到的结果：

for unicode in someString.unicodeScalars {
    let value = unicode.value // an `UInt32`

    // ....
}

然后可以测试Unicode标量值是否相等：

if value == 0x10000 {

}

或用于范围内的容器：

if 0xE000...0xFFFD ~= value {

}

或者在switch/case语句中：

switch value {
case 0x0A, 0x0D:
    // ...
case 0xE000...0xFFFD:
    // ...
default:
    // ...
}

枚举

utf8

视图时：

for char in someString.utf8 { }

您将获得范围内的一系列UTF-8代码单元（

UInt8

） 0 ... 255，每个Unicode标量值由1、2、3表示

---

或4个UTF-8代码单元。

谢谢，这正是我想要的。编写XML规范是为了以Unicode代码点的形式处理数据，而不是任何特定编码的字节，如UTF-8、UTF-16等。如果您有UTF数据，则必须在处理它们之前将其代码单元序列转换为UTF-32代码单元（也称为Unicode代码点）。