java - 正则表达式删除所有非字母数字字符并提供通用语言支持？

Question

我想使用 Pattern 的 compile 方法来做到这一点。比如

String text = "Where? What is that, an animal? No! It is a plane.";
Pattern p = new Pattern("*some regex here*");
String delim = p.matcher(text).replaceAll("");

什么正则表达式可以完成我想要完成的任务？

示例字符串:

英语

Input: "Where? What is that, an animal? No! It is a plane."
Output: "Where What is that an animal No It is a plane"

西类牙语

Input: "¿Dónde? ¿Qué es eso, un animal? ¡No! Es un avión."
Output: "Dónde Qué es eso un animal No Es un avión"

葡萄牙语

Input: "Onde? O que é isso, um animal? Não! É um avião."
Output: "Onde O que é isso um animal Não É um avião"

希望这些示例能够清楚地说明我想要实现的目标。 谢谢大家!

Answer 1

Java Pattern class 是正则表达式的 Java 实现，支持 Unicode Categories ，例如\p{Lu}。既然你想要字母数字，那就是 Categories L(字母)和 N(数字)。

由于您的示例显示您还想保留空格，因此您需要将其包括在内。让我们使用Predefined Character Class \s，因此您还可以保留换行符和制表符。

要查找除指定字符之外的任何内容，请使用 Negation Character Class :[^abc]

总而言之，这意味着[^\s\p{L}\p{N}]:

String output = input.replaceAll("[^\\s\\p{L}\\p{N}]+", "");

Where What is that an animal No It is a plane
Dónde Qué es eso un animal No Es un avión
Onde O que é isso um animal Não É um avião

或参见regex101.com用于演示。

<小时/>

当然，有多种方法可以做到这一点。

您也可以使用 POSIX Character Class \p{Alnum}，然后启用UNICODE_CHARACTER_CLASS ，使用 (?U)。

String output = input.replaceAll("(?U)[^\\s\\p{Alnum}]+", "");

Where What is that an animal No It is a plane
Dónde Qué es eso un animal No Es un avión
Onde O que é isso um animal Não É um avião

<小时/>

现在，如果您不需要空格，可以通过使用 \P{xx} 来简化:

String output = input.replaceAll("(?U)\\P{Alnum}+", "");

WhereWhatisthatananimalNoItisaplane
DóndeQuéesesounanimalNoEsunavión
OndeOqueéissoumanimalNãoÉumavião