Apache POI异常空格（已解决：\u00A0不间断空格）

Question

编辑：解决方案：该问题是由于存在00a0非断空格，而不是c0a0非断空格引起的。

使用Apache POI将docx转换为纯文本后，将纯文本读入Java并尝试解析时，我遇到了以下问题。

输出：

" "
first characterequals SPACE OR TAB 
false
[B@5e481248
[B@66d3c617
ARRAYTOSTRING SPACE: [32]
ARRAYTOSTRING ?????: [-62, -96]

对于代码：

System.out.println("\t\"" + line.substring(0,1) + "\"\n\tfirst characterequals SPACE OR TAB \n\t" + (line.substring(0,1).equals(" ") 
                        || line.substring(0,1).equals("\t") ));
System.out.println(line.substring(0,1).getBytes());
System.out.println(" ".getBytes());
System.out.println("ARRAYTOSTRING SPACE: " + Arrays.toString(" ".getBytes()));
System.out.println("ARRAYTOSTRING ?????: " + Arrays.toString(line.substring(0,1).getBytes()));

String.trim() 无法去除它。
String.replaceAll("\s", "")也无法去除它。

我正在尝试解析一份庞大的材料文档，这成为了一个重大障碍。我不知道发生了什么，也不知道该如何与其交互，请问有人能解释一下这里到底出了什么问题吗？

- Captain Prinny

---

你真的应该至少添加一小段你的提取代码。 - llogiq

我不确定提取代码在没有上下文的情况下是否有太多意义，它只是逐行提取，而这个调试片段则复制了循环检查，以使实际比较的内容可见。 - Captain Prinny

Answer 1

这意味着用十六进制表示的字节为c2 a0，根据这个答案，它是一个UTF-8编码的不间断空格。请注意，这实际上并不是一个空格，\s不能匹配它。

- llogiq

---

1. 是否有一个易于引用的源/字符集，它将显示为空格但不匹配它（或正则表达式来包括这些）？
2. 这个字符是否有转义序列或任何简单的东西可以与之匹配？

- Captain Prinny

我使用了http://www.amp-what.com/unicode/search/space（尽管它包含很多其他结果）。逃逸序列应该是（毫不奇怪）`\u{c2a0}`。 - llogiq

再次查看amp-what页面，它列出了一些。值得注意的是\u200B，零宽度空格以及\u2002到\u200a（各种空格宽度）和\u200F（窄的不间断空格）。 - llogiq

非常感谢，这非常有帮助。 - Captain Prinny

分析是适用的，但需要进一步调查才能实施。 - Captain Prinny

Answer 2

这个对我有用：

 String valor = org.apache.commons.lang3.StringUtils.normalizeSpace(java.text.Normalizer.normalize(valor, java.text.Normalizer.Form.NFD));

- Jose Eduardo Poma Caceres