Question

我有各种各样的字符串，我需要从中提取'TM'，'（c）'等。这些标记是unicode。现在我只想把所有的unicode拉出来，一旦我开始工作，我会更有选择性，只需拔出法律标记。这是代码：

strings = ['Star Wars \u2122 2', 'Empire Strikes Back\u00C2\u00AE The Strikening',
       "Star Wars\u2122 2", "Empire Strikes Back\u00C2\\u00AE The Strikening"]

p strings.inspect

strings.each { |str|
  sub = str.gsub(/\\(u[(\d)a-fA-F]{4})/, "")
  p sub
}

结果：

["Star Wars \\u2122 2", "Empire Strikes Back\\u00C2\\u00AE The Strikening", "Star Wars\u2122 2", "Empire Strikes Back\u00C2\\u00AE The Strikening"]
"Star Wars  2"
"Empire Strikes Back The Strikening"
"Star Wars\u2122 2"
"Empire Strikes Back\u00C2 The Strikening"

适用于单引号，但不适用于双引号。我理解单引号字符串的行为与双引号字符串不同。这里的问题是，被送入此函数的字符串表现为双引号字符串并破坏代码（不会发生替换）。我尝试在gsub之前添加sub('\\', '\\\\')但是没有修复它。

我认为我误解了Ruby中字符串的行为方式。如何可靠地从"Star Wars\u2122 2"中删除unicode符号？我所拥有的正则表达式并没有这样做。

Ruby 1.9.3

Answer 1

这可能有点低效，因为它构建了一个包含每个字符的数组，但它可以工作（在Ruby 1.9及更高版本中）：

s = "Empire Strikes Back\u00C2\u00AE The Strikening"
t = s.chars.select(&:ascii_only?).join    # => "Empire Strikes Back The Strikening"

当您编写'\u00C2'时，您没有创建包含unicode的字符串。您正在创建一个包含5个ASCII字符的字符串。当您编写"\u00C2"时，您正在创建一个包含单个非ASCII unicode字符的字符串。这是双引号表示法和单引号表示法之间的差异之一。

Answer 2

只需'String with ™ and ®'.delete '™®'。

另外，删除非ASCII字符的用例是什么？除非你正在做类似构建URL slug的事情，否则这可能不是一个好主意。如果您构建一个URL slug，那么有很多宝石（例如friendly_id）将为您执行此操作。

什么是从字符串中可靠地删除unicode的最佳方法

2 个答案: