Java从字符串中删除非拉丁基本字符

Question

假设我有以下代码：

String description = "★★★★★  ♫ ♬ This description ✔✔  ▬ █ ✖  is a mess. ♫ ♬ ★★★★★";

我想移除非拉丁字符：✔、▬、█、✖、♫、♬和★。

使其变为：这个描述很乱。

我知道可能有很多类似 Wingdings 的字符，所以我认为更好的做法是列出我想要保留的内容：基本拉丁字符和拉丁-1 补充字符。

我发现可以使用以下代码来移除除基本拉丁字符外的所有字符：

String clean_description = description.replaceAll("[^\\x00-\\x7F]", "").trim();

但是否有一种方法也可以保留拉丁-1补充字符呢？

- RoboticR

---

因为它看起来该范围紧随基本拉丁字符之后，所以您能否将正则表达式更改为"[^\\x00-\\xFF]"？ - resueman

@resueman 这听起来像是一个答案... - Thomas Ayoub

尝试使用\p{S}正则表达式，参见我下面的帖子。 - Saleem

@Saleem 评论 和 回答？ - Thomas Ayoub

Answer 1

从您提供的字符范围来看，"Basic Latin（基本拉丁文）"和"Latin-1 Supplements（拉丁字母补充-1）"是相邻的(0x00-0x7F和0x80-0xFF)。

因此您可以使用您提供的相同正则表达式，只需扩展包括"Latin-1 Supplement（拉丁字母补充-1）"字符。这将如下所示：

String clean_description = description.replaceAll("[^\\x00-\\xFF]", "").trim();

正如Quinn在评论中指出的那样，这种方法并不能去除移除部分之间的空格，因此结果会有多余的空格（可能是您想要的，也可能不是）。如果您想要去除这些空格，则可以使用Quinn提供的正则表达式（[^(\\x00-\\xFF)]+(?:$|\\s*)，如果评论被删除）。

- resueman

---

结果字符串中单词之间有更多的空格。这是OP想要的格式吗？建议使用[^(\\x00-\\xFF)]+(?:$|\\s*)，并且去掉trim()。 - Quinn

Answer 2

如果您希望表达更加详细，请使用以下内容：

description.replaceAll( "[^\\p{InBasic_Latin}\\p{InLatin-1Supplement}]", "" );

或者是否定的交集[\P{InBasic_Latin}&&\P{InLatin-1Supplement}]（并不是更易读 ;) ）

- Thomas

---

我已经测试了所有的答案，似乎这是唯一一个实际保留了“$”字符（它是Latin-1补充字符集的一部分）的答案。 - RoboticR

@RoboticR 使用 [^\x00-\xFF] 也可以实现相同的功能。 - Thomas

有没有一种方法可以将拉丁基本字符替换为拉丁-1补充字符集？ - tree

@tree 正则表达式不提供基于字符类别重新映射字符的方法。虽然有一种替换单个组的方法，但这可能会变得非常复杂，而且可能不是最佳解决方案。相反，您可能希望使用一个简单的循环，逐个替换字符。那么这些应该如何映射呢？A 应该映射到 À、Á、Â 等吗？ - Thomas