java - 通过正则表达式删除所有非打印字符

Question

我有包含非打印字符的文件，例如 \u2066-\u2069 (定向格式)和 \u2000-\u2009 (各种宽度的空格，例如   )。是否可以使用(Java)正则表达式删除(或替换)它们？ ( \\s+ 不适用于上述情况)。我不想自己构建这个，因为我不知道我可能会得到什么角色。

Answer 1

您提供的所有字符都属于分隔符、空格 Unicode 类别，因此，您可以使用

s = s.replaceAll("\\p{Zs}+", " ");

Zs Unicode 类别代表任何类型的空格分隔符(请参阅文档中的 more cateogry names)。

要用您可以使用的单个常规 ASCII 空间替换所有水平空格

s = s.replaceAll("\\h+", " ");

根据 Java regex documentation ,

\h     A horizontal whitespace character: [ \t\xA0\u1680\u180e\u2000-\u200a\u202f\u205f\u3000]

如果要将所有 Unicode 空格缩小为一个空格

s = s.replaceAll("(?U)\\s+", " ");

(?U)是一个嵌入标志选项，等于 Pattern.UNICODE_CHARACTER_CLASS 选项传递给 Pattern.compile方法。没有它， \s匹配什么 \p{Space}匹配，即 [ \t\n\x0B\f\r] .一旦你通过 (?U) ，它将开始匹配 Unicode 表中的所有空白字符。

要标记一个字符串，你可以直接用

String[] tokens = s.split("\\p{Zs}+");
String[] tokens = s.split("\\h+");
String[] tokens = s.split("(?U)\\s+");