Java从字符串中删除非拉丁基本字符

Question

假设我有以下代码:

String description = "★★★★★  ♫ ♬ This description ✔✔  ▬ █ ✖  is a mess. ♫ ♬ ★★★★★";

我想删除非拉丁字符:✔、̶、█、✖ , ♫, ♬ 和 ★。

让它变成这样:这个描述一团糟。

我知道可能有很多类似翅膀的字符，所以我认为最好列出我想保留的内容，而不是指定我想删除的内容:Basic Latin和 Latin-1 supplements字符。

我发现我可以使用下面的代码删除除基本拉丁字符以外的所有内容

String clean_description = description.replaceAll("[^\\x00-\\x7F]", "").trim();

但是有没有办法同时保留 Latin-1 补充字符？

Answer 1

从您提供的字符范围来看，“Basic Latin”和“Latin-1 Supplements”似乎是相邻的(0x00-0x7F 和 0x80-0xFF).

因此您可以使用您提供的相同正则表达式，只是扩展以包含“Latin-1 Supplement”字符。看起来像这样:

String clean_description = description.replaceAll("[^\\x00-\\xFF]", "").trim();

正如 Quinn 的评论中指出的那样, 这并没有消除删除部分之间的空格，因此结果有多余的空格(这可能是也可能不是你想要的)。如果您想要删除这些空格，Quinn 的正则表达式([^(\\x00-\\xFF)]+(?:$|\\s*)，以防注释被删除)可能会起作用给你。