Question

我想从输入中删除所有ASCII个扩展字符。（参考：http://www.theasciicode.com.ar/extended-ascii-code/letter-a-umlaut-diaeresis-a-umlaut-lowercase-ascii-code-132.html）。

因此我可以使用CharMatcher.ASCII，但我还想保留德语变音符号，它们包含在扩展字符集中。那么，我怎么能实现这个目标呢？

Answer 1

如果您想使用Guava CharMatcher类执行此任务，则可以使用and(CharMatcher)和or(CharMatcher)方法等编写匹配器。例如：

CharMatcher asciiPlusUmlauts = 
    CharMatcher.ASCII.or(CharMatcher.anyOf("ÄäÖöÜüß"));

你明白了吗？

Answer 2

使用白名单怎么样：

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

字符类是所有ASCII字符加上变音符号（我也在esszet中投掷）

行动中：

System.out.println("a\tb© ½Ü, ß".replaceAll("[^\\p{ASCII}ÄäÖöÜüß]", ""));

输出：

a   b Ü, ß

Answer 3

看看Lucene的org.apache.lucene.analysis.ASCIIFoldingFilter。它以高效的方式完全满足您的需求。它通过检查每个char是否小于\u0080（即字符代码点128）来进行折叠。如果是，您可以保持原样（它是ASCII字符），否则您必须以某种方式处理它。有关Unicode拉丁字符的更多详细信息，请查看http://en.wikipedia.org/wiki/Latin_characters_in_Unicode

如何删除所有扩展ASCII字符，但不删除变音符号？

3 个答案: