java - Apache POI 异常空白(已解决 :\u00A0 non-breaking space)

Question

编辑:已解决的答案:是 00a0 不间断空格，而不是 c0a0 不间断空格。

在使用 Apache POI 将 docx 转换为纯文本，然后将纯文本读入 Java 并尝试对其进行解析后，我遇到了以下问题。

输出:

" "
first characterequals SPACE OR TAB 
false
[B@5e481248
[B@66d3c617
ARRAYTOSTRING SPACE: [32]
ARRAYTOSTRING ?????: [-62, -96]

对于代码:

System.out.println("\t\"" + line.substring(0,1) + "\"\n\tfirst characterequals SPACE OR TAB \n\t" + (line.substring(0,1).equals(" ") 
                        || line.substring(0,1).equals("\t") ));
System.out.println(line.substring(0,1).getBytes());
System.out.println(" ".getBytes());
System.out.println("ARRAYTOSTRING SPACE: " + Arrays.toString(" ".getBytes()));
System.out.println("ARRAYTOSTRING ?????: " + Arrays.toString(line.substring(0,1).getBytes()));

String.trim() 没有去掉它
String.replaceAll("\s", "") 没有去掉它

我正在尝试解析一个巨大的 Material 文档，这变成了一个主要障碍。我不知道发生了什么或如何与之交互，任何人都可以阐明这里发生的事情吗？

Answer 1

根据 this answer，这转换为具有十六进制代码 c2 a0 的字节是 UTF-8 编码的不间断空格。请注意，这不是真正的空格，\s 不会匹配它。