在C#字符串中去除零宽空格的最简单方法

Question

我正在使用C# VSTO项目中的正则表达式解析电子邮件。偶尔，正则表达式似乎无法工作（尽管如果我将文本和正则表达式粘贴到RegexBuddy中，则正则表达式会正确匹配文本）。如果我在Gmail中查看电子邮件，我看到

=E2=80=8B

在某些行的开头和结尾会出现一些字符（我了解这是UTF8零宽度空格）；这似乎是导致正则表达式出问题的原因。这似乎是唯一出现的序列。

最简单的方式是如何消除这个确切的序列？我无法采用显而易见的方法。

MailItem.Body.Replace("=E2=80=8B", "")

因为这些字符在C＃字符串中不显示。

我也尝试过。

byte[] bytes = Encoding.Default.GetBytes(MailItem.TextBody);
string myString = Encoding.UTF8.GetString(bytes);

但是零宽空格只会显示为?。我想我可以遍历字节数组并删除组成零宽空格的字节，但我不知道这些字节会是什么样子（似乎不像将 E2 80 8B 转换为十进制并搜索那样简单）。

- Jimmy

Answer 1

由于 C# 中的字符串是以 Unicode（而不是 UTF-8）存储的，因此以下代码可能会有所帮助：

MailItem.Body.Replace("\u200B", "");

- Robert S.

---

为了消除所有类似的Unicode字符（请参见https://www.utf8-chartable.de/unicode-utf8-table.pl?start=8192&number=128），并将它们替换为空格字符：Regex.Replace(textWithUnicodeCharacters, @"\s", " ") - xhafan

Answer 2

由于所有的Regex.Replace()方法都是针对字符串操作的，所以在这里并不适用。

字符串索引器返回一个字符，因此如果您无法预测这些字符将出现在哪里，那么最好的解决方案可能是：

        StringBuilder newText = new StringBuilder();

        for (int i = 0; i < MailItem.Body.Length; i++)
        {
            if (a[i] != '\u200b')
            {
                newText.Append(a[i]);
            }
        } 

- dyson

---

这个答案也可以，但是Robert S.的更简洁，所以我接受了他的回答。 - Jimmy

Answer 3

使用 System.Web.HttpUtility.HtmlDecode(string) 方法，非常简单。

- gustavomcastro

---

根据我的经验，这并不能移除所有的不可见空格字符，因为我仍然得到了一个长度为1的字符串，看起来是空的，但却无法触发 string.IsNullOrWhitespace。 - phantomraa