从字符串中删除特定unicode范围的字符

  • Z时代
  • 2024-01-10
  • 分类：问答

我有一个程序可以从Twitter流API实时解析推文。在存储它们之前，我将它们编码为utf8。某些字符最终以？，??或???出现在字符串中

而不是它们各自的unicode代码，并且会引起问题。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和“其他符号和象形文字”块

U + 1F300-U + 1F5FF。我尝试删除，但未成功，因为匹配器最终替换了字符串中的几乎所有字符，而不仅仅是替换了我想要的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(" ");

如何删除这些字符？

回答：

在正则表达式模式中添加否定运算符^。为了过滤可打印的字符，您可以使用以下表达式[^\\x00-\\x7F]，您应该获得所需的结果。

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);
    }
}

结果如下：

Before: #Hello twitter  How are you?
After: #Hello twitter   How are you?

为了进一步说明，您还可以\u通过以下方式继续使用范围表示范围，该范围[^\\u0000-\\u007F]将匹配不是前128个UNICODE字符的所有字符（与以前相同）。如果要扩展范围以支持其他字符，可以使用此处的UNICODE字符列表来实现。

例如，如果要包含带有重音的元音（在西班牙语中使用），则应将范围扩展到\u00FF，因此您具有[^\\u0000-\\u00FF]或[^\\x00-\\xFF]：

Before: #Hello twitter  How are you? á é í ó ú
After: #Hello twitter   How are you? á é í ó ú

以上是 从字符串中删除特定unicode范围的字符 的全部内容， 来源链接： utcz.com/qa/416027.html

回到顶部