Java'da yazdırılamayan Unicode karakterlerini nasıl değiştirebilirim?

Aşağıdakiler ASCII kontrol karakterlerinin yerini alacaktır (kısaltması [\x00-\x1F\x7F]):

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

Aşağıdakiler, [\p{Graph}\x20]aksanlı karakterler dahil olmak üzere tüm ASCII yazdırılamayan karakterlerin (kısaltması ) yerini alacaktır :

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

Ancak, Unicode dizeleri için hiçbiri çalışmaz. Yazdırılamayan karakterleri bir unicode dizesinden kaldırmanın iyi bir yolu olan var mı?

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

Unicode regex hakkında daha fazla bilgi edinin . java.util.regexPattern/ String.replaceAllonları destekliyor.

Op De Cirkel çoğunlukla haklı. Önerisi çoğu durumda işe yarayacaktır:

myString.replaceAll("\\p{C}", "?");

Ancak myStringBMP olmayan kod noktaları içerebilirse, o zaman daha karmaşıktır. \p{C}yedek kod noktalarını içerir \p{Cs}. Yukarıdaki değiştirme yöntemi, bazen vekil çiftin yalnızca yarısını değiştirerek BMP olmayan kod noktalarını bozar. Bunun amaçlanan davranıştan ziyade bir Java hatası olması mümkündür.

Diğer kurucu kategorileri kullanmak bir seçenektir:

myString.replaceAll("[\\p{Cc}\\p{Cf}\\p{Co}\\p{Cn}]", "?");

Ancak, bir çiftin parçası olmayan tek vekil karakterler (her vekil karakterin atanmış bir kod noktası vardır) kaldırılmayacaktır. Düzgün olmayan bir yaklaşım, doğru şekilde işlemeyi bildiğim tek yoldur \p{C}:

StringBuilder newString = new StringBuilder(myString.length());
for (int offset = 0; offset < myString.length();)
{
    int codePoint = myString.codePointAt(offset);
    offset += Character.charCount(codePoint);

    // Replace invisible control characters and unused code points
    switch (Character.getType(codePoint))
    {
        case Character.CONTROL:     // \p{Cc}
        case Character.FORMAT:      // \p{Cf}
        case Character.PRIVATE_USE: // \p{Co}
        case Character.SURROGATE:   // \p{Cs}
        case Character.UNASSIGNED:  // \p{Cn}
            newString.append('?');
            break;
        default:
            newString.append(Character.toChars(codePoint));
            break;
    }
}

Unicode kategorileri "Diğer, Kontrol" ve muhtemelen "Diğer, Biçim" ilginizi çekebilir (ne yazık ki ikincisi hem yazdırılamayan hem de yazdırılabilir karakterler içeriyor gibi görünüyor).

Java düzenli ifadelerinde sırasıyla \p{Cc}ve \p{Cf}tuşlarını kullanarak bunları kontrol edebilirsiniz .

hedefiniz için darbe yöntemleri

public static String removeNonAscii(String str)
{
    return str.replaceAll("[^\\x00-\\x7F]", "");
}

public static String removeNonPrintable(String str) // All Control Char
{
    return str.replaceAll("[\\p{C}]", "");
}

public static String removeSomeControlChar(String str) // Some Control Char
{
    return str.replaceAll("[\\p{Cntrl}\\p{Cc}\\p{Cf}\\p{Co}\\p{Cn}]", "");
}

public static String removeFullControlChar(String str)
{
    return removeNonPrintable(str).replaceAll("[\\r\\n\\t]", "");
} 

Bunun için bu basit işlevi kullandım:

private static Pattern pattern = Pattern.compile("[^ -~]");
private static String cleanTheText(String text) {
    Matcher matcher = pattern.matcher(text);
    if ( matcher.find() ) {
        text = text.replace(matcher.group(0), "");
    }
    return text;
}

Umarım bu yararlıdır.

Op De Cirkel ve noackjr tarafından verilen yanıtlara dayanarak, genel dize temizliği için şunları yapıyorum: 1. Baştaki veya sondaki beyaz boşlukları kırpma, 2. dos2unix, 3. mac2unix, 4. Beyaz boşluklar dışındaki tüm "görünmez Unicode karakterlerini" kaldırma:

myString.trim.replaceAll("\r\n", "\n").replaceAll("\r", "\n").replaceAll("[\\p{Cc}\\p{Cf}\\p{Co}\\p{Cn}&&[^\\s]]", "")

Scala REPL ile test edilmiştir.

Değiştirmek yerine aşağıdaki gibi yazdırılamayan karakterleri kaldırmasını öneriyorum

private String removeNonBMPCharacters(final String input) {
    StringBuilder strBuilder = new StringBuilder();
    input.codePoints().forEach((i) -> {
        if (Character.isSupplementaryCodePoint(i)) {
            strBuilder.append("?");
        } else {
            strBuilder.append(Character.toChars(i));
        }
    });
    return strBuilder.toString();
}

Telefon numaraları için kodu yeniden tasarladım +9 (987) 124124 Java'da bir dizeden rakamları ayıklayın

 public static String stripNonDigitsV2( CharSequence input ) {
    if (input == null)
        return null;
    if ( input.length() == 0 )
        return "";

    char[] result = new char[input.length()];
    int cursor = 0;
    CharBuffer buffer = CharBuffer.wrap( input );
    int i=0;
    while ( i< buffer.length()  ) { //buffer.hasRemaining()
        char chr = buffer.get(i);
        if (chr=='u'){
            i=i+5;
            chr=buffer.get(i);
        }

        if ( chr > 39 && chr < 58 )
            result[cursor++] = chr;
        i=i+1;
    }

    return new String( result, 0, cursor );
}