c# - 如何修复空格的 UTF 编码？

Question

在我的 C# 代码中，我从 PDF 文档中提取文本。当我这样做时，我得到一个 UTF-8 或 Unicode 编码的字符串(我不确定是哪个)。当我使用 Encoding.UTF8.GetBytes(src); 将其转换为字节数组时，我注意到空白实际上是两个字节值为 194 和 160 的字符。

例如字符串“CLE action”看起来像

[67, 76, 69, 194 ,160, 65 ,99, 116, 105, 111, 110]

在一个字节数组中，其中空格是 194 和 160... 因为这个 src.IndexOf("CLE action"); 在我需要它返回 1 时返回 -1 .

如何修复字符串的编码？

Answer 1

194 160 是 NO-BREAK SPACE 代码点的 UTF-8 编码(与 HTML 调用   的代码点相同)。

所以它真的不是一个空间，尽管它看起来像一个空间。 (例如，您会发现它不会自动换行。)\s 的正则表达式匹配会匹配它，但与空格的简单比较不会。

要简单地替换 NO-BREAK 空格，您可以执行以下操作:

src = src.Replace('\u00A0', ' ');