java - 从字符串中删除非 ASCII 不可打印字符

Question

我得到的用户输入包括非 ASCII 字符和不可打印的字符，例如

\xc2d
\xa0
\xe7
\xc3\ufffdd
\xc3\ufffdd
\xc2\xa0
\xc3\xa7
\xa0\xa0

例如:

email : abc@gmail.com\xa0\xa0
street : 123 Main St.\xc2\xa0

期望的输出:

  email : abc@gmail.com
  street : 123 Main St.

使用 Java 删除它们的最佳方法是什么？
我尝试了以下方法，但似乎不起作用

public static void main(String args[]) throws UnsupportedEncodingException {
        String s = "abc@gmail\\xe9.com";
        String email = "abc@gmail.com\\xa0\\xa0";

        System.out.println(s.replaceAll("\\P{Print}", ""));
        System.out.println(email.replaceAll("\\P{Print}", ""));
    }

输出

abc@gmail\xe9.com
abc@gmail.com\xa0\xa0

Answer 1

您的要求不明确。 Java String 中的所有字符都是 Unicode 字符，因此如果删除它们，您将得到一个空字符串。我假设您的意思是要删除任何非 ASCII、不可打印的字符。

String clean = str.replaceAll("\\P{Print}", "");

在这里，\p{Print} represents a POSIX character class用于可打印的 ASCII 字符，而 \P{Print} 是该类的补充。使用此表达式，所有不可 可打印的 ASCII 字符都将替换为空字符串。 (额外的反斜杠是因为 \ 在字符串文字中开始转义序列。)

---

显然，所有输入字符实际上都是 ASCII 字符，表示不可打印或非 ASCII 字符的可打印编码。 Mongo 应该不会对这些字符串有任何问题，因为它们只包含普通的可打印 ASCII 字符。

这对我来说听起来有点可疑。我认为正在发生的事情是数据确实包含不可打印和非 ASCII 字符，而另一个组件(如日志记录框架)正在用可打印的表示形式替换这些字符。在您的简单测试中，您未能将可打印表示转换回原始字符串，因此您错误地认为第一个正则表达式不起作用。

那是我的猜测，但如果我误解了情况，而你确实需要去除文字 \xHH 转义，你可以使用以下正则表达式来完成。

String clean = str.replaceAll("\\\\x\\p{XDigit}{2}", "");

---

Pattern 的 API 文档类很好地列出了 Java 的正则表达式库支持的所有语法。有关所有语法含义的更多详细信息，我找到了 Regular-Expressions.info site很有帮助。