Question

我一直在尝试使用PDFBox创建PDF，但它失败了，例如

java.lang.IllegalArgumentException：U + 0083在此字体的编码中不可用：WinAnsiEncoding

我想知道是否有一种方法可以使用正则表达式捕获这些元素，我尝试过使用，

(\\[a-z]00[0-9][0-9])

如果我验证使用RegexTool（如RegexBuddy）但在Java中不起作用，这似乎工作正常！我尝试过使用Java Patterns和Matcher但没有成功。我用Pattern Matcher完成的工作如下，

import java.util.regex.Pattern;
import java.util.regex.Matcher;
public class MatcherFindStartEndExample {

public static void main(String[] args) {

    String text    =
            "IMTECH Ã\u0083Â¢Ã\u0082Â\u0080Ã\u0093Â\u0083 " + 
            "ERCC Ã\u0099Â¢Ã PLANNED ";

    String patternString = "(\\[a-z]00[0-9][0-9])";

    Pattern pattern = Pattern.compile(patternString);
    Matcher matcher = pattern.matcher(text);

    int count = 0;
    while(matcher.find()) {
        count++;
        System.out.println("found: " + count + " : "
                + matcher.start() + " - " + matcher.end());
    }
  }
}

我现在的文字看起来像是，

IMTECHÃ\ u0083¢\ u0082 \ u0080 \ u0083 \ u0083 ERCCÃ\ u0099¢PLANNED

谢谢

Answer 1

我不确定您要在这里做什么，但"\u0083"是Java escape sequence代表一个字符，而不是六个字符。它不会与正则表达式"..0083"匹配，但它将与"."匹配。

此外，"\\"表示Java字符串中的一个字符，反斜杠;在正则表达式中，单个反斜杠会转义后续字符。在您的情况下，"\\["匹配文字开头方括号字符。

但所有这些都可能无关紧要，因为像Â¢这样的序列的存在表明你错误地处理了UTF-8数据。特别是，看起来有人强迫每个字节都为char值，而不是使用Charset正确解码字节。然后第二次将同样的错误应用于新的，不正确的String。

向后工作，这些字符：

ERCC Ã\u0099Â¢

对应于这些十六进制字节值：

45 52 43 43 20 c3 99 c2 a2

如果不是强制每个字节值为char，而是将它们解码为UTF-8字节，则得到字符串"ERCC Ù¢"。如果我们再次将每个char视为字节值，我们得到：

45 52 43 43 20 d9 a2

如果我们再次使用UTF-8解码这些字节，我们得到"ERCC ٢"，我猜是指ERCC2。

如果您修复了提取文本的代码，则可以将该字符串与Pattern.compile("ERCC\\s*\\d+", Pattern.UNICODE_CHARACTER_CLASS)匹配。

Answer 2

我假设你想要字面上匹配＆＃34; \ u0083＆＃34;，而不是它代表的unicode字符。
试试(\\\\u00[0-9][0-9])。

Answer 3

您的patternString从字面上搜索文本而不是字符。您可以搜索如下字符列表：

String patternString = "[\u0083|\u0082|\u0080]";

或者像这样的列表：

String patternString = "[\u0080-\u0090]";

Answer 4

此正则表达式将找到所有backslash + u + 4 digits

String patternString = "[\\\\]+[u]+\\d{4}";

输出：

发现：1：8 - 14

发现：2：17 - 23

发现：3：24 - 30

发现：4：31 - 37

发现：5：38 - 44

发现：6：51 - 57

正则表达式捕获Java中的U + XXXX（或\ uXXXX）字符

4 个答案: