出现的原因：

在使用Xalan的org.apache.xml.utils.XMLChar类时，使用了XMLChar.isValid()方法来判断字符是否为有效的XML字符。然而，该方法在处理代理字符时存在问题。代理字符由高位和低位两个字符组成，当分别判断这两个字符时，XMLChar.isValid()方法会返回false，导致最终判断代理字符为无效。

解决方法：

为了解决这个问题，需要对代理字符进行特殊处理。可以使用下面的代码来修复这个问题：

public static String stripInvalidXmlCharacters(String input) {
    StringBuilder sb = new StringBuilder();
    for (int i = 0; i < input.length(); i++) {
        char c = input.charAt(i);
        if (Character.isHighSurrogate(c) && i + 1 < input.length()) {
            char low = input.charAt(i + 1);
            if (Character.isLowSurrogate(low) && XMLChar.isValid(Character.toCodePoint(c, low))) {
                sb.append(c);
                sb.append(low);
            }
            i++;
        } else if (XMLChar.isValid(c)) {
            sb.append(c);
        }
    }
    return sb.toString();
}

这段代码在判断字符为代理字符时，会检查其后是否存在低位字符，并且判断组合后的代理字符是否有效。如果有效，则将整个代理字符添加到结果中。如果不是代理字符或者代理字符无效，则将字符添加到结果中。

使用修复后的代码，可以正确地处理代理字符，将无效的XML字符过滤掉，得到有效的XML字符串。

问题原因：XML文件中包含了一些无效的字符。

解决方法：使用Atlassian开发的命令行XML清理工具。下载并安装atlassian-xml-cleaner-0.1.jar文件。在DOS控制台或shell中，定位到XML或ZIP备份文件所在的位置，并执行以下命令：java -jar atlassian-xml-cleaner-0.1.jar data.xml > data-clean.xml。这将删除data.xml中的无效字符，并将清理后的内容保存到data-clean.xml文件中。

补充信息：如果需要为市场构建一个附加组件，可以使用com.atlassian.core.util.xml.XMLCleaningReader类替换无效字符。

来自未来的留言（2020年）：第二个链接对我有效，这个JAR文件解决了我遇到的数千个包含各种非法字符的XML文件的严重问题。通过运行这个工具，这些文件被标准化，并且可以被Python的lxml库解析。未来感谢你们。

问题出现的原因是在处理XML数据时，可能会遇到包含无效的XML字符的情况。无效的XML字符是指Unicode编码中的一些特殊字符，这些字符不能直接包含在XML文档中，因为它们可能会导致解析错误或破坏XML结构。解决方法是使用正则表达式来过滤掉这些无效的XML字符。

对于JDK6，可以使用以下正则表达式来匹配并删除无效的XML字符：

Pattern INVALID_XML_CHARS = Pattern.compile("[^\\u0009\\u000A\\u000D\\u0020-\\uD7FF\\uE000-\\uFFFD\uD800\uDC00-\uDBFF\uDFFF]");
...
INVALID_XML_CHARS.matcher(stringToCleanup).replaceAll("");

在JDK7中，可以使用\x{10000}-\x{10FFFF}的表示方法来代替\uD800\uDC00-\uDBFF\uDFFF，这样更简单易懂。

通过使用上述的正则表达式，可以将包含无效XML字符的字符串清理掉，从而确保XML数据的有效性和完整性。