正则表达式去除特殊/不可见字符

Question

问题在于如何移除域名中的一些奇怪字符，但要保留特殊的Unicode字符，例如有重音符号的字母（德语、丹麦语或波兰语）。

例如：radis­son-blu.es，你看不见，但是在ss之间有额外的字符。（试着复制到记事本中查看）

我看到过许多关于类似问题的帖子，但每个解决方案都没有移除那个特殊字符，或者它正在移除它，但也要把其他我需要保留的特殊字符一并移除。

- olq

Answer 1

你看到的（不是）那个字符是U+00AD软连字号。你可以在正则表达式中使用\u00ad进行引用，例如：

Regex.Replace(str, @"\u00ad", "");

但是对于单个字符的替换，您也可以使用 string.Replace。

- Joey

---

我知道，但重点不仅仅是处理这一个字符，而是整个种类。 - olq

Answer 2

使用空字符串替换正则表达式[^\w\s.,!@#$%^&*()=+~`-]

- burning_LEGION

---

你在我的评论之后编辑了它；我一开始并没有错。 - Joey

我检查了修改后的版本，看起来它按照我的要求工作。非常感谢。 - olq

Answer 3

'\xAD' 是一个软连字号（该代码点的名称为"SOFT HYPHEN"）。

根据Unicode代码点数据库，它的类别是"Cf"（或"Format"），因此可以与正则表达式@"\p{Cf}"匹配。

奇怪的是，Microsoft Visual C# 2010 Express表示它不匹配@"\p{Cf}"，而是匹配@"\p{Pd}"（"Dash Punctuation"），与普通连字号相同的类别。

- MRAB

Answer 4

这对我很有效：

[\x00-\x1f]|[\x81\x8d\x8d\x8f\x90\x9d\xa0\u2060\uFEFF]

- Fredrik Johansson