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。某些字符最终在字符串中显示为 ?、?? 或 ???而不是它们各自的 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 "emoticon" block , U+1F600 - U+1F64F, and the "Miscellaneous Symbols And Pictographs" block, U+1F300 - U+1F5FF. 我尝试删除,但没有成功,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(" ");
我该怎么做才能删除这些字符?
最佳答案
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]
,您应该会得到想要的结果。
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?
编辑
为了进一步说明,您还可以继续使用 \u
形式表示范围,如下所示 [^\\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的字符,可以使用 UNICODE 字符列表 here 来实现.
例如,如果你想包含带重音的元音(用于西类牙语),你应该将范围扩展到 \u00FF
,所以你有 [^\\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
关于java - 从字符串中删除特定 unicode 范围的字符,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/12013341/