如何替换 Java 中不可打印的 Unicode 字符？

string unicode java

2022-08-31 10:36:51

以下内容将替换 ASCII 控制字符（速记）：[\x00-\x1F\x7F]

my_string.replaceAll("\\p{Cntrl}", "?");

以下内容将替换所有 ASCII 不可打印字符（的简写），包括重音字符：[\p{Graph}\x20]

my_string.replaceAll("[^\\p{Print}]", "?");

但是，两者都不适用于 Unicode 字符串。有没有人有一个好方法从Unicode字符串中删除不可打印的字符？

答案 1

my_string.replaceAll("\\p{C}", "?");

查看有关 Unicode 正则表达式的更多信息。/ 支持他们。java.util.regexPatternString.replaceAll

答案 2

Op De Cirkel基本上是正确的。他的建议在大多数情况下都有效：

myString.replaceAll("\\p{C}", "?");

但是，如果可能包含非BMP代码点，那么它就更复杂了。包含的代理项代码点。上述替换方法有时会仅替换代理项对的一半，从而损坏非 BMP 代码点。这可能是一个Java错误，而不是预期的行为。myString\p{C}\p{Cs}

使用其他构成类别是一种选择：

myString.replaceAll("[\\p{Cc}\\p{Cf}\\p{Co}\\p{Cn}]", "?");

但是，不属于一对的单独代理字符（每个代理项字符都有一个分配的代码点）将不会被删除。非正则表达式方法是我知道的正确处理的唯一方法：\p{C}

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;
    }
}