![](/img/trans.png)
[英]How to detect and replace non-printable characters in a string using Java?
[英]How can I replace non-printable Unicode characters in Java?
以下將替換 ASCII 控制字符( [\x00-\x1F\x7F]
的簡寫):
my_string.replaceAll("\\p{Cntrl}", "?");
以下將替換所有 ASCII 不可打印字符( [\p{Graph}\x20]
的簡寫),包括重音字符:
my_string.replaceAll("[^\\p{Print}]", "?");
但是,兩者都不適用於 Unicode 字符串。 有沒有人有從 unicode 字符串中刪除不可打印字符的好方法?
my_string.replaceAll("\\p{C}", "?");
查看更多關於Unicode 正則表達式。 java.util.regexPattern
/ String.replaceAll
支持它們。
Op De Cirkel 大體上是對的。 他的建議在大多數情況下都有效:
myString.replaceAll("\\p{C}", "?");
但是如果myString
可能包含非 BMP 代碼點,那么它會更復雜。 \p{C}
包含\p{Cs}
的代理代碼點。 上述替換方法有時會僅替換一半代理對,從而破壞非 BMP 代碼點。 這可能是 Java 錯誤而不是預期行為。
使用其他組成類別是一種選擇:
myString.replaceAll("[\\p{Cc}\\p{Cf}\\p{Co}\\p{Cn}]", "?");
但是,不會刪除不屬於一對的單獨代理字符(每個代理字符都有一個分配的代碼點)。 非正則表達式方法是我知道正確處理\p{C}
的唯一方法:
StringBuilder newString = new StringBuilder(myString.length());
for (int offset = 0; offset < myString.length();)
{
int codePoint = myString.codePointAt(offset);
offset += Character.charCount(codePoint);
// Replace invisible control characters and unused code points
switch (Character.getType(codePoint))
{
case Character.CONTROL: // \p{Cc}
case Character.FORMAT: // \p{Cf}
case Character.PRIVATE_USE: // \p{Co}
case Character.SURROGATE: // \p{Cs}
case Character.UNASSIGNED: // \p{Cn}
newString.append('?');
break;
default:
newString.append(Character.toChars(codePoint));
break;
}
}
您可能對Unicode 類別 “其他,控制”和可能的 “其他,格式”感興趣(不幸的是,后者似乎同時包含不可打印和可打印字符)。
在 Java 正則表達式中,您可以分別使用\p{Cc}
和\p{Cf}
檢查它們。
以下方法可實現您的目標
public static String removeNonAscii(String str)
{
return str.replaceAll("[^\\x00-\\x7F]", "");
}
public static String removeNonPrintable(String str) // All Control Char
{
return str.replaceAll("[\\p{C}]", "");
}
public static String removeSomeControlChar(String str) // Some Control Char
{
return str.replaceAll("[\\p{Cntrl}\\p{Cc}\\p{Cf}\\p{Co}\\p{Cn}]", "");
}
public static String removeFullControlChar(String str)
{
return removeNonPrintable(str).replaceAll("[\\r\\n\\t]", "");
}
我為此使用了這個簡單的 function:
private static Pattern pattern = Pattern.compile("[^ -~]");
private static String cleanTheText(String text) {
Matcher matcher = pattern.matcher(text);
if ( matcher.find() ) {
text = text.replace(matcher.group(0), "");
}
return text;
}
希望這是有用的。
根據Op De Cirkel和noackjr的回答,以下是我對一般字符串清理所做的工作:1. 修剪前導或尾隨空格,2. dos2unix,3. mac2unix,4. 刪除除空格之外的所有“不可見的 Unicode 字符”:
myString.trim.replaceAll("\r\n", "\n").replaceAll("\r", "\n").replaceAll("[\\p{Cc}\\p{Cf}\\p{Co}\\p{Cn}&&[^\\s]]", "")
用 Scala REPL 測試。
我建議它刪除下面的不可打印字符而不是替換它
private String removeNonBMPCharacters(final String input) {
StringBuilder strBuilder = new StringBuilder();
input.codePoints().forEach((i) -> {
if (Character.isSupplementaryCodePoint(i)) {
strBuilder.append("?");
} else {
strBuilder.append(Character.toChars(i));
}
});
return strBuilder.toString();
}
支持的多語言
public static String cleanUnprintableChars(String text, boolean multilanguage)
{
String regex = multilanguage ? "[^\\x00-\\xFF]" : "[^\\x00-\\x7F]";
// strips off all non-ASCII characters
text = text.replaceAll(regex, "");
// erases all the ASCII control characters
text = text.replaceAll("[\\p{Cntrl}&&[^\r\n\t]]", "");
// removes non-printable characters from Unicode
text = text.replaceAll("\\p{C}", "");
return text.trim();
}
我重新設計了電話號碼的代碼 +9 (987) 124124 從 Java 中的字符串中提取數字
public static String stripNonDigitsV2( CharSequence input ) {
if (input == null)
return null;
if ( input.length() == 0 )
return "";
char[] result = new char[input.length()];
int cursor = 0;
CharBuffer buffer = CharBuffer.wrap( input );
int i=0;
while ( i< buffer.length() ) { //buffer.hasRemaining()
char chr = buffer.get(i);
if (chr=='u'){
i=i+5;
chr=buffer.get(i);
}
if ( chr > 39 && chr < 58 )
result[cursor++] = chr;
i=i+1;
}
return new String( result, 0, cursor );
}
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.