Как заменить непечатаемые символы Юникода в Java?

Question

Следующие символы заменят управляющие символы ASCII (сокращение для [\x00-\x1F\x7F]):

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

Следующее заменит все непечатные символы ASCII (сокращение для [\p{Graph}\x20]), включая символы с акцентом:

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

Однако ни одна из них не работает для строк Unicode.У кого-нибудь есть хороший способ удалить непечатаемые символы из строки Unicode?

Answer 1

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

Подробнее о Unicode regex .java.util.regexPattern / String.replaceAll поддерживает их.

Answer 2

Оп де Циркель в основном прав.Его предложение будет работать в большинстве случаев:

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

Но если myString может содержать не-BMP кодовые точки, то это более сложно.\p{C} содержит суррогатные кодовые точки \p{Cs}.Приведенный выше метод замены повредит кодовые точки, отличные от BMP, иногда заменяя только половину суррогатной пары.Возможно, это ошибка Java, а не предполагаемое поведение.

Использование других составляющих категорий - это опция:

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

Однако, отдельные суррогатные символы не являются частью пары (каждый суррогатный символимеет назначенный код) не будет удален.Подход без регулярных выражений - единственный известный мне способ правильно обработать \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;
    }
}

Answer 3

Вас могут заинтересовать Unicode категории "Другое, Контроль" и возможно "Другое, Формат" (к сожалению,последний, кажется, содержит как непечатаемые, так и печатные символы).

В регулярных выражениях Java вы можете проверять их, используя \p{Cc} и \p{Cf} соответственно.

Answer 4

методов в ударе для вашей цели

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]", "");
} 

Answer 5

Я предлагаю убрать непечатаемые символы, как показано ниже, вместо замены

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();
}

Answer 6

Основываясь на ответах Op De Cirkel и noackjr , я делаю следующее для общей очистки строк: 1. обрезание начальных или конечных пробелов, 2. dos2unix, 3. mac2unix, 4. удаление всех «невидимых символов Юникода», кроме пробелов:

myString.trim.replaceAll("\r\n", "\n").replaceAll("\r", "\n").replaceAll("[\\p{Cc}\\p{Cf}\\p{Co}\\p{Cn}&&[^\\s]]", "")

Протестировано с помощью Scala REPL.

Answer 7

Я использовал эту простую функцию для этого:

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;
}

Надеюсь, это полезно.

Answer 8

Я изменил код для телефонных номеров +9 (987) 124124 Извлечение цифр из строки в Java

 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 );
}