从字符串中删除特定unicode范围的字符

Sai*_*ato 15 java regex utf-8

我有一个程序正在从twitter流api实时解析推文.在存储它们之前,我将它们编码为utf8.某些字符最终出现在字符串中?,??或??? 而不是他们各自的unicode代码并导致问题.经过进一步调查,我发现有问题的字符来自"表情符号"块,U + 1F600 - U + 1F64F,以及"其他符号和象形文字"块,U + 1F300 - U + 1F5FF.我尝试删除,但是不成功,因为匹配器最终替换了字符串中的几乎每个字符,而不仅仅是我想要的unicode范围.

String utf8tweet = "";
        try {
            byte[] utf8Bytes = status.getText().getBytes("UTF-8");

            utf8tweet = new String(utf8Bytes, "UTF-8");

        } 
        catch (UnsupportedEncodingException e) {
            e.printStackTrace();
        }
Pattern unicodeOutliers = Pattern.compile("[\\u1f300-\\u1f64f]", Pattern.UNICODE_CASE | Pattern.CANON_EQ | Pattern.CASE_INSENSITIVE);
Matcher unicodeOutlierMatcher = unicodeOutliers.matcher(utf8tweet);
utf8tweet = unicodeOutlierMatcher.replaceAll(" ");
Run Code Online (Sandbox Code Playgroud)

我该怎么做才能删除这些字符?

jua*_*rro 32

在正则表达式模式中添加否定运算符^.要过滤可打印字符,您可以使用以下表达式[^\\x00-\\x7F],您应该得到所需的结果.

import java.io.UnsupportedEncodingException;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class UTF8 {
    public static void main(String[] args) {
        String utf8tweet = "";
        try {
            byte[] utf8Bytes = "#Hello twitter ? How are you?".getBytes("UTF-8");

            utf8tweet = new String(utf8Bytes, "UTF-8");

        } catch (UnsupportedEncodingException e) {
            e.printStackTrace();
        }
        Pattern unicodeOutliers = Pattern.compile("[^\\x00-\\x7F]",
                Pattern.UNICODE_CASE | Pattern.CANON_EQ
                        | Pattern.CASE_INSENSITIVE);
        Matcher unicodeOutlierMatcher = unicodeOutliers.matcher(utf8tweet);

        System.out.println("Before: " + utf8tweet);
        utf8tweet = unicodeOutlierMatcher.replaceAll(" ");
        System.out.println("After: " + utf8tweet);
    }
}
Run Code Online (Sandbox Code Playgroud)

结果如下:

Before: #Hello twitter ? How are you?
After: #Hello twitter   How are you?
Run Code Online (Sandbox Code Playgroud)

编辑

为了进一步解释,您还可以\u通过以下方式继续使用表单表达范围[^\\u0000-\\u007F],这将匹配所有不是前128个UNICODE字符的字符(与之前相同).如果要扩展范围以支持额外字符,可以使用此处的UNICODE字符列表.

例如,如果您想要包含带重音的元音(用西班牙语),您应该将范围扩展到\u00FF,所以你有[^\\u0000-\\u00FF][^\\x00-\\xFF]:

Before: #Hello twitter ? How are you? á é í ó ú
After: #Hello twitter   How are you? á é í ó ú
Run Code Online (Sandbox Code Playgroud)

  • 谢谢你的编辑!! 我已经更改了模式中的unicode范围,以指定我想要允许的所有字符.它是完美的工作:)对于任何好奇的人,我最终使用的模式是`[^ \\ u0000 - \\ uFFEF]`,它允许几乎所有字符之前的特殊和表情符号表情符号会破坏我的程序. (3认同)

Joo*_*gen 24

首先,有关的unicode块在java(严格遵循标准)中指定为Character.UnicodeBlock MISCELLANEOUS_SYMBOLS_AND_PICTOGRAPHS.在正则表达式中:

s = s.replaceAll("\\p{So}+", "");
Run Code Online (Sandbox Code Playgroud)

  • 你可以在正确的Java中使用`s.replaceAll("\\ p {So} +","")`(声明为OTHER_SYMBOLS) (3认同)
  • 你怎么知道"So"对应于Miscellaneous?我现在正在使用块的详细形式:`[\\ p {InMiscellaneousSymbolsAndPictographs} | \\ p {InEmoticons}] +` (2认同)

小智 7

我试过这个.unicode范围来自表情符号范围

    class EmojiEraser{

    private static final String EMOJI_RANGE_REGEX =
                "[\uD83C\uDF00-\uD83D\uDDFF]|[\uD83D\uDE00-\uD83D\uDE4F]|[\uD83D\uDE80-\uD83D\uDEFF]|[\u2600-\u26FF]|[\u2700-\u27BF]";
        private static final Pattern PATTERN = Pattern.compile(EMOJI_RANGE_REGEX);

        /**
         * Finds and removes emojies from @param input
         * 
         * @param input the input string potentially containing emojis (comes as unicode stringfied)
         * @return input string with emojis replaced
         */
        public String eraseEmojis(String input) {
            if (Strings.isNullOrEmpty(input)) {
                return input;
            }
            Matcher matcher = PATTERN.matcher(input);
            StringBuffer sb = new StringBuffer();
            while (matcher.find()) {
                matcher.appendReplacement(sb, "");
            }
            matcher.appendTail(sb);
            return sb.toString();
        }
}
Run Code Online (Sandbox Code Playgroud)