以下将替换ASCII控制字符(简写为[\x00-\x1F\x7F]
):
my_string.replaceAll("\\p{Cntrl}", "?");
下面的代码将替换所有ASCII不可打印字符(缩写为[\p{Graph}\x20]
),包括带重音符号的字符:my_string.replaceAll("[^\\p{Print}]", "?");
然而,这两种方法都无法处理Unicode字符串。有没有好的方法可以从Unicode字符串中删除非可打印字符?
以下将替换ASCII控制字符(简写为[\x00-\x1F\x7F]
):
my_string.replaceAll("\\p{Cntrl}", "?");
下面的代码将替换所有ASCII不可打印字符(缩写为[\p{Graph}\x20]
),包括带重音符号的字符:my_string.replaceAll("[^\\p{Print}]", "?");
然而,这两种方法都无法处理Unicode字符串。有没有好的方法可以从Unicode字符串中删除非可打印字符?
my_string.replaceAll("\\p{C}", "?");
了解更多关于Unicode正则表达式的信息。 java.util.regex.Pattern
/String.replaceAll
支持它们。
s.replaceAll("[\\p{C}\\p{Z}]", "")
即可达到目的。 - Andrey LreplaceAll("[^\\u0000-\\uFFFF]", "")
但没有成功。 - Bibaswann BandyopadhyayOp De Cirkel大部分是正确的。他的建议在大多数情况下都有效:
myString.replaceAll("\\p{C}", "?");
但是,如果myString
可能包含非BMP码点,则情况会更加复杂。\p{C}
包含\p{Cs}
的代理码位。上述替换方法有时仅替换代理对的一半,从而破坏非BMP码点。这可能是Java中的一个漏洞,而不是意图行为。
使用其他组成类别是一种选择:
myString.replaceAll("[\\p{Cc}\\p{Cf}\\p{Co}\\p{Cn}]", "?");
然而,单个代理字符不属于一对(每个代理字符都有一个指定的代码点)将不会被删除。我知道正确处理\p{C}
的唯一方法是采用非正则表达式方法:
StringBuilder newString = new StringBuilder(myString.length());
for (int offset = 0; offset < myString.length();)
{
int codePoint = myString.codePointAt(offset);
offset += Character.charCount(codePoint);
// Replace invisible control characters and unused code points
switch (Character.getType(codePoint))
{
case Character.CONTROL: // \p{Cc}
case Character.FORMAT: // \p{Cf}
case Character.PRIVATE_USE: // \p{Co}
case Character.SURROGATE: // \p{Cs}
case Character.UNASSIGNED: // \p{Cn}
newString.append('?');
break;
default:
newString.append(Character.toChars(codePoint));
break;
}
}
public static String removeNonAscii(String str)
{
return str.replaceAll("[^\\x00-\\x7F]", "");
}
public static String removeNonPrintable(String str) // All Control Char
{
return str.replaceAll("[\\p{C}]", "");
}
public static String removeSomeControlChar(String str) // Some Control Char
{
return str.replaceAll("[\\p{Cntrl}\\p{Cc}\\p{Cf}\\p{Co}\\p{Cn}]", "");
}
public static String removeFullControlChar(String str)
{
return removeNonPrintable(str).replaceAll("[\\r\\n\\t]", "");
}
private static Pattern pattern = Pattern.compile("[^ -~]");
private static String cleanTheText(String text) {
Matcher matcher = pattern.matcher(text);
if ( matcher.find() ) {
text = text.replace(matcher.group(0), "");
}
return text;
}
根据Op De Cirkel和noackjr的回答,以下是我用于通用字符串清理的步骤:1. 去除前导或尾随空格,2. dos2unix,3. mac2unix,4. 移除所有“不可见的Unicode字符”,除了空格:
myString.trim.replaceAll("\r\n", "\n").replaceAll("\r", "\n").replaceAll("[\\p{Cc}\\p{Cf}\\p{Co}\\p{Cn}&&[^\\s]]", "")
已在Scala REPL中进行测试。
我建议删除非可打印字符,而不是替换它们。
private String removeNonBMPCharacters(final String input) {
StringBuilder strBuilder = new StringBuilder();
input.codePoints().forEach((i) -> {
if (Character.isSupplementaryCodePoint(i)) {
strBuilder.append("?");
} else {
strBuilder.append(Character.toChars(i));
}
});
return strBuilder.toString();
}
支持多语言
public static String cleanUnprintableChars(String text, boolean multilanguage)
{
String regex = multilanguage ? "[^\\x00-\\xFF]" : "[^\\x00-\\x7F]";
// strips off all non-ASCII characters
text = text.replaceAll(regex, "");
// erases all the ASCII control characters
text = text.replaceAll("[\\p{Cntrl}&&[^\r\n\t]]", "");
// removes non-printable characters from Unicode
text = text.replaceAll("\\p{C}", "");
return text.trim();
}
我已经重新设计了电话号码+9(987)124124的代码 在Java中从字符串中提取数字
public static String stripNonDigitsV2( CharSequence input ) {
if (input == null)
return null;
if ( input.length() == 0 )
return "";
char[] result = new char[input.length()];
int cursor = 0;
CharBuffer buffer = CharBuffer.wrap( input );
int i=0;
while ( i< buffer.length() ) { //buffer.hasRemaining()
char chr = buffer.get(i);
if (chr=='u'){
i=i+5;
chr=buffer.get(i);
}
if ( chr > 39 && chr < 58 )
result[cursor++] = chr;
i=i+1;
}
return new String( result, 0, cursor );
}