如何在C#中从字符串中删除非ASCII字符？

Question

如何从字符串中剔除非ASCII字符？(使用C#)

- philcruz

---

根据 sinelaw 的答案（在下面），如果你想要 替换 非 ASCII 字符，**请查看 这个答案**。 - Bobson

Answer 1

string s = "søme string";
s = Regex.Replace(s, @"[^\u0000-\u007F]+", string.Empty);

---

^是非运算符，它告诉正则表达式查找与之不匹配的所有内容而不是匹配的内容。 \u####-\u####表示哪些字符匹配。 \u0000-\u007F等同于utf-8或unicode中的前128个字符，它们总是ASCII字符。因此，你可以匹配每个非ASCII字符(由于非运算符)，并对所有匹配项进行替换。

(如Gordon Tucker于2009年12月11日21:11在评论中解释的那样)

- philcruz

---

可打印字符的范围是0020-007E，对于寻找替换非打印字符的正则表达式的人来说，这一点很重要。 - Mubashar

如果您想查看ASCII字符集的表格，请访问：http://www.asciitable.com/ - scradam

扩展ASCII的范围是\u0000-\u00FF，适用于寻找正则表达式以替换非扩展ASCII字符的人（例如用于西班牙语应用程序中的变音符等...） - full_prog_full

@GordonTucker \u0000-\u007F 是 utf-8 或 unicode 的前127个字符，而不是前225个。请参考表格。 - full_prog_full

这就是为什么我在大约一分钟后回复了自己，纠正自己说的是127而不是255。 :) - Gordon Tucker

Answer 2

这里是一个纯.NET解决方案，不使用正则表达式：

string inputString = "Räksmörgås";
string asAscii = Encoding.ASCII.GetString(
    Encoding.Convert(
        Encoding.UTF8,
        Encoding.GetEncoding(
            Encoding.ASCII.EncodingName,
            new EncoderReplacementFallback(string.Empty),
            new DecoderExceptionFallback()
            ),
        Encoding.UTF8.GetBytes(inputString)
    )
);

这看起来可能有点繁琐，但应该很直观。它使用.NET ASCII编码将字符串转换。在转换过程中使用UTF8，因为它可以表示原始字符中的任何一个。它使用EncoderReplacementFallback将任何非ASCII字符转换为空字符串。

- bzlm

---

太好了！我使用这个来清理一个字符串，然后保存到 RTF 文档中。非常感谢。比正则表达式版本容易理解多了。 - Nathan Prather

你真的觉得这样更容易理解吗？对我来说，那些不太相关的东西（回退、转换为字节等）会让人分心，远离实际发生的事情。 - bzlm

@Brandon，实际上，这种技术并没有比其他技术更好地完成任务。所以这个类比就是用一个普通的螺丝刀来代替一个花哨的iScrewDriver Deluxe 2000 :) - bzlm

一个优点是我可以轻松将ASCII替换为ISO 8859-1或其他编码 :) - Akira Yamamoto

@RageCompex，EncoderReplacementFallback并不是为转换而设计的。但是，您可以使用.NET的Unicode规范化和规范化API来实现您想要的功能。 - bzlm

Answer 3

我相信MonsCamus的意思是：

parsememo = Regex.Replace(parsememo, @"[^\u0020-\u007E]", string.Empty);

- Josh

---

我认为这个答案比被采纳的答案更好，因为它去掉了控制字符。 - Dean2690

Answer 4

如果您不想剥离（strip）重音符号，而是要将拉丁语带重音的字符实际转换为无重音字符，请查看这篇问题：如何将8位字符翻译成7位字符？（例如：Ü变成U）。

- sinelaw

---

我甚至没有意识到这是可能的，但对我来说这是一个更好的解决方案。我将在问题的评论中添加此链接，以便其他人更容易找到。谢谢！ - Bobson

Answer 5

在受到philcruz的正则表达式解决方案启发下，我写了一个纯LINQ解决方案。

public static string PureAscii(this string source, char nil = ' ')
{
    var min = '\u0000';
    var max = '\u007F';
    return source.Select(c => c < min ? nil : c > max ? nil : c).ToText();
}

public static string ToText(this IEnumerable<char> source)
{
    var buffer = new StringBuilder();
    foreach (var c in source)
        buffer.Append(c);
    return buffer.ToString();
}

这是未经测试的代码。

- Bent Rasmussen

---

可以考虑将单独的ToText()方法替换为以下代码，以更新PureAscii()方法的第三行：return new string(source.Select(c => c < min ? nil : c > max ? nil : c).ToArray())。这样做不会改变原意，同时让语言更通俗易懂。 - agentnega

或者将ToText写成：return (new string(source)).ToArray() - 取决于哪个更有效率。将ToText作为扩展方法仍然很好 - 流畅/管道式风格。 :-) - Bent Rasmussen

那段代码将非ASCII字符替换为空格。若要去除它们，请将Select更改为Where：return new string(source.Where(c => c >= min && c <= max).ToArray()); - Foozinator

@Foozinator 这段代码允许你指定用哪个字符来替换非ASCII字符。默认情况下，它使用空格，但如果像这样调用 .PureASCII(Char.MinValue)，它将使用 '\0' 替换所有非ASCII字符，这仍然不完全是剥离它们，但结果类似。 - Ulfius

ToText方法可以被删除，第5行可以替换为：return source.Where(c => c >= min && c <= max).Aggregate(new StringBuilder(), (sb, s) => sb.Append(s), sb => sb.ToString()); - Joakim M. H.

Answer 6

我来到这里寻找扩展ASCII字符的解决方案，但未能找到。我找到的最接近的是bzlm的解决方案。但它仅适用于ASCII码127及以下（显然，您可以在他的代码中替换编码类型，但我认为这有点难以理解。因此，分享这个版本）。下面是一个解决方案，适用于扩展ASCII码，即255及以下，这是ISO 8859-1。

它会查找并剥离非ASCII字符（大于255）。

Dim str1 as String= "â, ??î or ôu� n☁i✑++$-♓!‼⁉4⃣od;/⏬'®;☕:☝)///1!@#"

Dim extendedAscii As Encoding = Encoding.GetEncoding("ISO-8859-1", 
                                                New EncoderReplacementFallback(String.empty),
                                                New DecoderReplacementFallback())

Dim extendedAsciiBytes() As Byte = extendedAscii.GetBytes(str1)

Dim str2 As String = extendedAscii.GetString(extendedAsciiBytes)

console.WriteLine(str2)
'Output : â, ??î or ôu ni++$-!‼⁉4od;/';:)///1!@#$%^yz:

这里有一个工作的代码示例。

根据要求替换编码，其余部分保持不变。

- Polynomial Proton

---

只有这个方法能够从字符串 "Ω c ç ã" 中仅移除 Ω。非常感谢！ - Rafael Araújo

Answer 7

我发现以下略有改动的范围对于从数据库解析注释块非常有用，这意味着您不必处理制表符和转义字符，这会导致CSV字段变得混乱。

parsememo = Regex.Replace(parsememo, @"[^\u001F-\u007F]", string.Empty);

如果你想避免其他特殊字符或特定标点符号，请查看ascii表

- MonsCamus

---

如果有人没有注意到其他评论，可打印字符实际上是 @"[^\u0020-\u007E]"。如果你好奇，这里有一个链接可以看到表格：http://www.asciitable.com/。 - scradam

Answer 8

不需要使用正则表达式，只需使用编码...

sOutput = System.Text.Encoding.ASCII.GetString(System.Text.Encoding.ASCII.GetBytes(sInput));

- rjp

---

无效。这并不会去除Unicode字符，而是用“?”替换它们。 - David

@David是正确的。当我在mono 3.4中尝试输入“たまねこnachoなち”时，至少我得到了????nacho??。 - nacho4d

你可以实例化自己的编码类，而不是替换字符，而是删除它们。请参阅 GetEncoding 方法：https://msdn.microsoft.com/zh-cn/library/89856k4b(v=vs.110).aspx - kkara

Answer 9

这种方法在性能方面并不是最佳的选择，但它是一种相当直接的 Linq 方法：

string strippedString = new string(
    yourString.Where(c => c <= sbyte.MaxValue).ToArray()
    );

缺点是所有“存活”的字符首先被放入一个char[]类型的数组中，然后在string构造函数不再使用它后被丢弃。

- Jeppe Stig Nielsen

Answer 10

我使用这个正则表达式来过滤文件名中的不良字符。

Regex.Replace(directory, "[^a-zA-Z0-9\\:_\- ]", "")

这应该是文件名允许的所有字符。

- user890332

---

不行。请参考 Path.GetInvalidPathChars 和 Path.GetInvalidFileNameChars。因此，有成千上万个有效字符。 - Tom Blodget

你说得对，汤姆。我实际上是在考虑常见的符号，但是我忘记了括号、花括号以及所有这些 - ^%$#@!&+=。 - user890332