Question

如果我有一个字符串

String mine = "Some Name &reg; plus encoding issue ????? \u0000 something ";

我想保留所有ASCII字符和HTML实体，但删除任何其他编码。

我试过

mine.replaceAll("[^\\x00-\\x7F]", "");

但这会删除商标和版权等内容

有没有办法保留HTML实体但删除所有其他编码？

Answer 1

您可以使用\\p{ASCII}属性：

mine = mine.replaceAll("[^\\p{ASCII}]+", "");

或者使用\\P{ASCII}：

mine = mine.replaceAll("\\P{ASCII}+", "");

Answer 2

您可以使用Normalize和EscapeHtml的组合来实现它，并且具有相当高的准确度：

String mine = "site design / logo © 2014 stack exchange inc; árvíztűrő tükörfúrógép";
mine = Normalizer.normalize(mine, Normalizer.Form.NFD); // Normalize with Canonical decomposition
mine = StringEscapeUtils.escapeHtml3(mine); // Escape the html values now
System.out.println(mine); // Would be - site design / logo &copy; 2014 stack exchange inc; árvíztűrő tükörfúrógép

mine = mine.replaceAll("[^\\p{ASCII}]", "");
mine = StringEscapeUtils.unescapeHtml3(mine); // Unescape
System.out.println(mine); // site design / logo © 2014 stack exchange inc; arvizturo tukorfurogep

带有规范分解的

Normalize会将重音字符（在本例中）映射到它们的，规范的分解值。（链接提供了一个很好的资源）

StringEscapeUtils是一个方便的实用工具类，包含escape / unescape htmls, csvs, xmls。

因此，我首先使用NFD来规范化String以避开escapeHtml3进程（否则每个重音字符将被其重音对象替换）。

现在当我转义Html时，copyright符号会在不影响重音的情况下被转义。删除非ascii部分后，重音被其对应部分替换，但copyright仍然被转义，我可以轻松地将unescapeHtml3恢复为原始形式。

您可以浏览相应的链接，了解我在这种情况下尝试利用的行为的更多视角。

Java - 替换所有非ASCII但保留HTML特殊字符

2 个答案: