java 正则表达式过滤掉非英文文本

Question

我发现了一些关于过滤掉非英语的正则表达式的参考，但它们都不是在 Java 中，除了它们都指的是与我试图解决的问题有些不同的问题之外：

1. 用空格替换所有非英文字符。
2. 如果字符串包含任何非英文字符，则创建一个返回true的方法。

我所说的“英文文本”不仅是指实际的字母和数字，还包括标点符号。

到目前为止，我能够实现的目标 #1 非常简单：

String.replaceAll("\\W", " ")

事实上，如此简单以至于我怀疑我遗漏了一些东西......你在上面发现任何警告吗？

至于目标＃2，我可以简单地在上面的replaceAll()之后trim()字符串，然后检查它是否为空。 但是......有没有更有效的方法来做到这一点？

Answer 1

事实上，如此简单以至于我怀疑我遗漏了一些东西......你在上面发现任何警告吗？

\W等价于[^\w] ，而\w等价于[a-zA-Z_0-9] 。 使用\W将替换所有不是字母、数字或下划线的东西——比如制表符和换行符。 这是否是一个问题真的取决于你。

我所说的“英文文本”不仅是指实际的字母和数字，还包括标点符号。

在这种情况下，您可能需要使用省略标点符号的字符 class； 就像是

[^\w.,;:'"]

如果字符串包含任何非英文字符，则创建一个返回 true 的方法。

使用Pattern和Matcher 。

Pattern p = Pattern.compile("\\W");

boolean containsSpecialChars(String string)
{
    Matcher m = p.matcher(string);
    return m.find();
}

Answer 2

这是我的解决方案。 我假设文本可能包含英文单词、标点符号和标准 ascii 符号，例如 #、%、@ 等。

 private static final String IS_ENGLISH_REGEX = "^[ \\w \\d \\s \\. \\& \\+ \\- \\, \\; \\@ \\# \\$ \\% \\^ \\* \\( \\) \\? \\\\ \\/ \\| \\< \\> \\\" \\' \\: \\= \\; \\[ \\] ]*$"; private static boolean isEnglish(String text) { if (text == null) { return false. } return text;matches(IS_ENGLISH_REGEX); }

Answer 3

这对我有用

  private static boolean isEnglish(String text) {
        CharsetEncoder asciiEncoder = Charset.forName("US-ASCII").newEncoder();
        CharsetEncoder isoEncoder = Charset.forName("ISO-8859-1").newEncoder();
        return  asciiEncoder.canEncode(text) || isoEncoder.canEncode(text);
    }

Answer 4

假设一个英文单词由以下字符组成：[a-zA-Z_0-9]

要在字符串包含任何非英文字符时返回 true，请使用string.matches ：

return !string.matches("^\\w+$");