以下内容将替换 ASCII 控制字符（[\x00-\x1F\x7F] 的简写）：
my_string.replaceAll("\\p{Cntrl}", "?");
以下内容将替换所有 ASCII 不可打印字符（[\p{Graph}\x20] 的简写），包括重音字符：
my_string.replaceAll("[^\\p{Print}]", "?");
但是，它们都不适用于 Unicode 字符串。有没有人有从 unicode 字符串中删除不可打印字符的好方法？
【问题讨论】：
my_string.replaceAll("\\p{C}", "?");
查看更多关于Unicode regex。 java.util.regexPattern/String.replaceAll 支持他们。
【讨论】：
char c = 0xFFFA; String.valueOf(c).replaceAll("\\p{C}", "?"); 也在 Unicode 支持 部分的模式查找的 javadoc 中，说它支持类别
s.replaceAll("[\\p{C}\\p{Z}]", "") 将起到魅力
replaceAll("[^\\u0000-\\uFFFF]", "")，但没有成功
Op De Cirkel 大体上是对的。他的建议在大多数情况下都会奏效：
myString.replaceAll("\\p{C}", "?");
但如果myString 可能包含非 BMP 代码点，那么它会更复杂。 \p{C} 包含 \p{Cs} 的代理代码点。上述替换方法有时会仅替换一半代理对，从而破坏非 BMP 代码点。这可能是 Java 错误而不是预期行为。
使用其他组成类别是一种选择：
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正确处理\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;
}
}
【讨论】：
您可能对Unicode categories "Other, Control" 和可能 "Other, Format" 感兴趣（不幸的是后者似乎同时包含不可打印和可打印字符）。
在 Java 正则表达式中，您可以分别使用 \p{Cc} 和 \p{Cf} 来检查它们。
【讨论】：
以下方法可实现您的目标
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]", "");
}
【讨论】：
我为此使用了这个简单的函数：
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;
}
希望这是有用的。
【讨论】：
根据 Op De Cirkel 和 noackjr 的回答，以下是我对一般字符串清理所做的工作：1. 修剪前导或尾随空格，2. dos2unix , 3. mac2unix, 4. 删除除空格之外的所有“不可见的Unicode字符”：
myString.trim.replaceAll("\r\n", "\n").replaceAll("\r", "\n").replaceAll("[\\p{Cc}\\p{Cf}\\p{Co}\\p{Cn}&&[^\\s]]", "")
使用 Scala REPL 测试。
【讨论】：
我建议它删除下面的不可打印字符而不是替换它
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();
}
【讨论】：
支持的多语言
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();
}
【讨论】：
我重新设计了电话号码 +9 (987) 124124 的代码 Extract digits from a string in 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 );
}
【讨论】：