如何在Java中替换不可打印的Unicode字符？

Question

如何在Java中替换不可打印的Unicode字符？

以下将替换ASCII控制字符（简写为[\x00-\x1F\x7F]）：

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

以下内容将替换所有ASCII不可打印字符（简写[\p{Graph}\x20]），包括重音字符：

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

但是，它们都不适用于Unicode字符串。有没有人有一个很好的方法从unicode字符串中删除不可打印的字符？

Answer 1

my_string.replaceAll("\\p{C}", "?");查看有关Unicode正则表达式的更多信息。java.util.regexPattern/ String.replaceAll支持他们。

Answer 2

Op De Cirkel大部分都是对的。他的建议在大多数情况下都有效：myString.replaceAll("\\p{C}",&nbsp;"?");但如果myString可能包含非BMP代码点，则会更复杂。&nbsp;\p{C}包含的代理代码点\p{Cs}。上述替换方法有时会替换代理对的一半，从而破坏非BMP代码点。这可能是Java错误而不是预期的行为。使用其他组成类别是一个选项：myString.replaceAll("[\\p{Cc}\\p{Cf}\\p{Co}\\p{Cn}]",&nbsp;"?");但是，不会删除不属于一对的单独代理字符（每个代理字符都有一个指定的代码点）。非正则表达式方法是我知道正确处理的唯一方法\p{C}：StringBuilder&nbsp;newString&nbsp;=&nbsp;new&nbsp;StringBuilder(myString.length());for&nbsp;(int&nbsp;offset&nbsp;=&nbsp;0;&nbsp;offset&nbsp;<&nbsp;myString.length();){ &nbsp;&nbsp;&nbsp;&nbsp;int&nbsp;codePoint&nbsp;=&nbsp;myString.codePointAt(offset); &nbsp;&nbsp;&nbsp;&nbsp;offset&nbsp;+=&nbsp;Character.charCount(codePoint); &nbsp;&nbsp;&nbsp;&nbsp;//&nbsp;Replace&nbsp;invisible&nbsp;control&nbsp;characters&nbsp;and&nbsp;unused&nbsp;code&nbsp;points &nbsp;&nbsp;&nbsp;&nbsp;switch&nbsp;(Character.getType(codePoint)) &nbsp;&nbsp;&nbsp;&nbsp;{ &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;case&nbsp;Character.CONTROL:&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;//&nbsp;\p{Cc} &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;case&nbsp;Character.FORMAT:&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;//&nbsp;\p{Cf} &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;case&nbsp;Character.PRIVATE_USE:&nbsp;//&nbsp;\p{Co} &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;case&nbsp;Character.SURROGATE:&nbsp;&nbsp;&nbsp;//&nbsp;\p{Cs} &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;case&nbsp;Character.UNASSIGNED:&nbsp;&nbsp;//&nbsp;\p{Cn} &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;newString.append('?'); &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;break; &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;default: &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;newString.append(Character.toChars(codePoint)); &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;break; &nbsp;&nbsp;&nbsp;&nbsp;}}

Answer 3

您可能对Unicode类别&nbsp;“其他，控制”以及可能的&nbsp;“其他，格式”感兴趣（不幸的是后者似乎包含不可打印和可打印的字符）。在Java正则表达式中，您可以分别使用\p{Cc}和检查它们\p{Cf}。