删除字符串中的特殊字符和无效字符

Question

我一直在为第三方公司创建产品Feed。 我正在使用的数据有各种各样的无效，特殊字符，双倍间距等。他们还要求数据是HTML编码的，其中使用了特殊字符。

一些可传递的数据示例=“购买厨房”

Aid Artisan™立式搅拌机4.8L“

        try
        {
            var removeDoubleSpace = Regex.Replace(stringInput, @"\s+", " ");
            var encodedString = HttpUtility.HtmlEncode(removeDoubleSpace).Trim();
            var encodedAndLineBreaksRemoved = encodedString.Replace(Environment.NewLine, "");
            var finalStringOutput = Regex.Replace(encodedAndLineBreaksRemoved, @"(™)|(’)|(”)|(–)", "");

            return finalStringOutput;
        }
        catch (Exception)
        {
            return stringInput;
        }

我试图想出一个可以调用的方法，以更清晰的方式完成上述所有操作，而不是几个Regex表达式。 或者，也许只有一个正则表达式涵盖了一切？

Answer 1

使用白名单而不是黑名单，因为您可以更容易地知道哪些字母是可接受的，而不是哪些字母可能是不可接受的。 白名单就是这样。 这是一个可接受的字符列表。 创建您的白名单，并删除该列表中没有的所有内容。 在您的情况下，潜在的白名单可以包括所有ASCII字符。

以下是捕获所有字母数字和标点字符的白名单 。

using System;
using System.Text;
using System.Text.RegularExpressions;

public class Program
{       
    private static string input = @"Buy Kitchen

Aid Artisan™ Stand Mixer 4.8L ";

    public static void Main()
    {
        var match = Regex
            .Match(input, @"[a-zA-Z0-9\p{P}]+");

        StringBuilder builder = new StringBuilder();
        while(match.Success)
        {
            // add a space between matches
            builder.Append(match + " ");
            match = match.NextMatch();
        }
        Console.WriteLine(builder.ToString());
    }
}

产量

Buy Kitchen Aid Artisan Stand Mixer 4.8L

Answer 2

这是一些增强的代码：

var removeDoubleSpace = Regex.Replace(stringInput, @"\s+", " ");
var encodedString = System.Web.HttpUtility.HtmlEncode(removeDoubleSpace).Trim().Replace("™", string.Empty).Replace("’", string.Empty).Replace("”", string.Empty).Replace("–", string.Empty);

您不需要使用var encodedAndLineBreaksRemoved = encodedString.Replace(Environment.NewLine, ""); 因为已使用\\s+正则表达式删除换行符号（ \\s 匹配任何空白字符，包括空格，制表符，换页符等等。相当于[\\ f \\ n \\ r \\ t \\ t]。 ）。

此外， 除非您计划删除某个范围的字符或类（例如\\p{S}简写类中的所有字符）， 否则不需要使用第二个正则表达式，因此，我只是链接了几个string.Replace方法，右边修剪和编码的字符串。

输出：

Buy Kitchen Aid Artisan Stand Mixer 4.8L

Answer 3

你不需要正则表达式，linq也会这样做：

var str = "Buy Kitchen Aid Artisan™ Stand Mixer 4.8L";
var newStr = new string(str.Where(c => !Char.IsSymbol(c)).ToArray());

Console.WriteLine(newStr); // Buy Kitchen Aid Artisan Stand Mixer 4.8L