从文件行中删除除空格之外的所有特殊字符答案

【问题标题】：Remove all special characters from file line except white space从文件行中删除除空格之外的所有特殊字符
【发布时间】：2013-07-22 03:43:54
【问题描述】：

我已经使用 tika 为一些 pdf 文件提取了文本，并将文本存储在文本文件中。现在我想使用opennlp Chunk解析器解析这些文件，但我无法解析文件行，因为它包含一些特殊字符（一些方形符号），单词之间没有空格，我的文本文件中的示例行（无法显示那些方形符号，变音符号）

51.2.3  Troubleshooting DHCP Configuration  ?
62  Module 3: Point-to-Point Protocol (PPP) ?
62.1    Configuring HDLC Encapsulation  ?

所以我想得到这些行

Troubleshooting DHCP Configuratin
Module 3: Point-to-Point Protocol(PPP)
Configuring HDLC Encapsulation

请建议我如何做到这一点？

【问题讨论】：

【解决方案1】：

读取文件line by line。
用“”替换每行中不需要的字符：line = line.replaceAll("^\\d{2}(\\.\\d)+ +", "").replaceAll(" +\\?$", "");
使用FileWriter写入文件。

这假设行首的数字格式是 dd(.d)*，其中 d 是一位数字，第一个之后的每个部分只有一位数字。否则，必须更改正则表达式以适合您的格式。

通过附加.replaceAll("[æ╚]", ""); 将所有这些字符添加到方括号中来删除神秘符号。确保您具有正确的编码。如果您使用“UTF-8”读取文件，则必须将这些字符复制到编辑器中，您可以在其中指定该文件为“UTF-8”。

【讨论】：

嗨，我的台词格式不规范，我不会写正则表达式，有没有其他解决方案
如果不是特定格式而是特定字符，您仍然可以使用正则表达式。要删除所有不可打印的字符，请使用replaceAll('[^\\p{Print}]', "")。要替换特定字符，请使用上面的替换方法列出字符。您甚至可以使用replaceAll('[\\W]', "") 删除所有不在 A-Za-z0-9 中的内容。

【解决方案2】：

用空格替换所有非单词字符是否足够，或者至少是朝着正确方向迈出的一步？

str = str.replaceAll("\\W+", " ");

【讨论】：