Question

我正在开发一个葡萄牙语软件，因此我的许多实体都有'maça'或'lição'等名称，我想将该实体用作资源键。所以我想保留除'ç，ã，õ......'之外的所有角色。

使用正则表达式有一些最佳解决方案吗？我的实际正则表达式是（如Remove characters using Regex所示）：

Regex regex = new Regex(@"[\W_]+");
string cleanText = regex.Replace(messyText, "").ToUpper();

只是强调，我只担心拉丁字符。

Answer 1

一个简单的选项是将接受的字符列入白名单：

string clean = Regex.Replace(messy, @"[^a-zA-z0-9!@#]+", "");

如果您要删除所有非ASCII字母但保留所有其他字符，可以使用character class subtraction：

string clean = Regex.Replace(messy, @"[\p{L}-[a-zA-Z]]+", "");

它也可以写成更标准和更复杂的[^\P{L}a-zA-Z]+（或[^\Wa-zA-Z]），其中显示“选择所有不的字符（不是字母或ASCII）字母）“，最后是我们正在寻找的字母。

您还可以考虑以下方法更有用：How do I remove diacritics (accents) from a string in .NET?

Answer 2

这有用吗？

Regex regex = new Regex(@"[^a-zA-Z0-9_]");

Answer 3

另一种选择可能是从Unicode转换为ASCII。这不会丢弃字符，而是将它们转换为? s。这可能比放弃它们更好（用作键）。

string suspect = "lição";
byte[] suspectBytes = Encoding.Convert(Encoding.Unicode, Encoding.ASCII, Encoding.Unicode.GetBytes(suspect));
string purged = Encoding.ASCII.GetString(suspectBytes);
Console.WriteLine(purged); // li??o

请注意，问号通常是唯一但不具代表性的字符，因此您可能会减少碰撞。

Answer 4

目标应该是简单地包括ASCII字符A-Z和数字和标点符号。只需使用RegEx排除该范围之外的所有内容。

string clean = Regex.Replace(messy, @"[^\x20-\x7e]", String.Empty);

要清楚，我正在使用的正则表达式是：

[^\x20-\x7e]

你可能需要转义\字符 - 除了RegEx好友之外我还没有测试过这个：）

排除ASCII字符0x20和0x7e之外的所有内容，转换为ASCII范围十进制32-127。

祝你好运！

最佳，

-Auri

Answer 5

我认为最好的正则表达式是使用：

[^\x00-\x80]

这是所有ASCII字符的否定。它匹配所有非ASCII字符：\x00和\x80（128）是十六进制字符代码，-表示范围。 ^和[内的]表示否定。

用空字符串替换它们，你应该拥有你想要的东西。它还使您免于担心标点符号等不是ASCII，并且可能导致微妙但令人讨厌（并且难以追踪）错误。

如果要将扩展ASCII集用作合法字符，可以说\xFF而不是\x80。

Answer 6

这对我更有用：

([\p{L}]+)

使用正则表达式删除所有独有的拉丁字符

6 个答案: