通过正则表达式删除所有非打印字符

Question

我的文件包含非打印字符，例如\u2066-\u2069（方向格式）和\u2000-\u2009（各种宽度的空间，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）。我不想自己构建它，因为我不知道我会得到什么样的角色。

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}+", " ");

UnicodeZs类别代表任何类型的空格分隔符（请参阅文档中的更多类别名称）。

要将所有水平空格替换为单个常规 ASCII 空格，您可以使用

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

根据Java 正则表达式文档，

\h     水平空白字符：[ \t\xA0\u1680\u180e\u2000-\u200a\u202f\u205f\u3000]

如果要将所有 Unicode 空格缩小为单个空格

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

这(?U)是一个嵌入式标志选项，等于Pattern.UNICODE_CHARACTER_CLASS传递给该Pattern.compile方法的选项。没有它，\s匹配\p{Space}匹配的内容，即[ \t\n\x0B\f\r]. 一旦你传递了(?U)，它将开始匹配 Unicode 表中的所有空白字符。

要标记字符串，您可以直接拆分

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