Java从字符串中删除非拉丁语基本字符

Question

我们说我有以下代码：

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

我想删除非拉丁字符：✔，▬，█，✖，♫，{{1 }和♬。

让它成为现实：★

我知道可能有很多像这些类似翼characters的角色，所以不要指明我想删除的内容，我认为最好列出我想保留的内容：{ {3}}和Basic Latin个字符。

我发现我可以使用以下代码删除除基本拉丁字符之外的所有内容

This description is a mess.

但有没有办法保留Latin-1补充字符？

Answer 1

通过查看您提供的字符范围，“Basic Latin”和“Latin-1 Supplements”似乎相邻（0x00 - 0x7F和0x80 - {{1 }}）。

因此，您可以使用您提供的相同正则表达式，只需扩展为包含“Latin-1 Supplement”字符。这看起来像这样：

0xFF

正如Quinn的评论中指出的那样，这并没有消除被删除部分之间的空格，因此结果有多余的空格（可能是也可能不是你想要的）。如果你想删除那些空格，Quinn的正则表达式（String clean_description = description.replaceAll("[^\\x00-\\xFF]", "").trim(); ，如果删除了注释）可能适合你。

Answer 2

如果您想要更具描述性的表达，请使用：

description.replaceAll( "[^\\p{InBasic_Latin}\\p{InLatin-1Supplement}]", "" );

或否定[\P{InBasic_Latin}&&\P{InLatin-1Supplement}]的交集（不是它更具可读性;）