ruby - 从字符串中可靠地删除 unicode 的最佳方法是什么

Question

我有多种字符串需要从中提取“TM”、“(c)”等。这些标记是 unicode 格式的。现在我只想取出所有 unicode，一旦我开始工作，我会更有选择性，只取出法律标记。这是代码:

strings = ['Star Wars \u2122 2', 'Empire Strikes Back\u00C2\u00AE The Strikening',
       "Star Wars\u2122 2", "Empire Strikes Back\u00C2\\u00AE The Strikening"]

p strings.inspect

strings.each { |str|
  sub = str.gsub(/\\(u[(\d)a-fA-F]{4})/, "")
  p sub
}

结果:

["Star Wars \\u2122 2", "Empire Strikes Back\\u00C2\\u00AE The Strikening", "Star Wars\u2122 2", "Empire Strikes Back\u00C2\\u00AE The Strikening"]
"Star Wars  2"
"Empire Strikes Back The Strikening"
"Star Wars\u2122 2"
"Empire Strikes Back\u00C2 The Strikening"

适用于单引号，但不适用于双引号。我知道单引号字符串的行为与双引号字符串不同。这里的问题是，被送入此函数的字符串表现为双引号字符串并破坏了代码(不会发生替换)。我尝试在 gsub 之前添加 sub('\\', '\\\\') 但这并没有解决问题。

我想我对字符串在 Ruby 中的行为有一些误解。如何可靠地从 "Star Wars\u2122 2" 中删除 unicode 符号？我拥有的正则表达式没有这样做。

ruby 1.9.3

Answer 1

这可能有点低效，因为它构建了一个包含其中每个字符的数组，但它可以工作(在 Ruby 1.9 和更高版本中):

s = "Empire Strikes Back\u00C2\u00AE The Strikening"
t = s.chars.select(&:ascii_only?).join    # => "Empire Strikes Back The Strikening"

当您编写 '\u00C2' 时，您并不是在创建包含 unicode 的字符串。您正在创建一个包含 5 个 ASCII 字符的字符串。当您编写 "\u00C2" 时，您正在创建一个包含单个非 ASCII unicode 字符的字符串。这是双引号和单引号之间的区别之一。