Java使用正则表达式删除不可打印的非ascii字符

我们可能会通过各种方式将不需要的非 ascii 字符放入文件内容或字符串中，例如从 MS Word 文档或 Web 浏览器复制和粘贴文本、PDF 到文本的转换或 HTML 到文本的转换。我们可能希望在将文件用于应用程序之前删除不可打印的字符，因为当我们开始对此文件的内容进行数据处理时，它们被证明是有问题的。

在这个 Java 正则表达式示例中，我使用 正则表达式 来搜索和替换非 ascii 字符，甚至还删除不可打印的字符。

1. Java去除非打印字符

用于从不需要的字符和不可打印的字符中清除字符串内容的 Java 程序。

private static String cleanTextContent(String text) 
{
	// strips off all non-ASCII characters
	text = text.replaceAll("[^\\x00-\\x7F]", "");

	// erases all the ASCII control characters
	text = text.replaceAll("[\\p{Cntrl}&&[^\r\n\t]]", "");
	
	// removes non-printable characters from Unicode
	text = text.replaceAll("\\p{C}", "");

	return text.trim();
}

2.删除不可打印字符示例

2.1.具有非 ascii 内容的文件内容

我将读取包含以下内容的文件并删除所有非 ascii 字符，包括不可打印的字符。

öäü how to do in java . com A função, Ãugent

2.2.清除 ASCII 文本的 Java 程序

package com.cundage.demo;

import java.io.File;
import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Paths;
import java.util.stream.Stream;

public class CleanTextExample 
{
	public static void main(String[] args) 
	{
		
		File file = new File("c:/temp/data.txt");
		
		String uncleanContent = readFileIntoString(file);
		
		System.out.println(uncleanContent);
		
		String cleanContent = cleanTextContent(uncleanContent);
		
		System.out.println(cleanContent);
	}
	
	private static String readFileIntoString(File file)
	{
		StringBuilder contentBuilder = new StringBuilder();
		try (Stream<String> stream = Files.lines(Paths.get(file.toURI()))) 
		{
			stream.forEach(s -> contentBuilder.append(s).append("\n"));
		} 
		catch (IOException e) 
		{
			System.out.println("Error reading " + file.getAbsolutePath());
		}
		return contentBuilder.toString();
	}

	private static String cleanTextContent(String text) 
	{
		// strips off all non-ASCII characters
		text = text.replaceAll("[^\\x00-\\x7F]", "");

		// erases all the ASCII control characters
		text = text.replaceAll("[\\p{Cntrl}&&[^\r\n\t]]", "");
		
		// removes non-printable characters from Unicode
		text = text.replaceAll("\\p{C}", "");

		return text.trim();
	}
}

程序输出。

öäü how to do in java . com A função, Ãugent

how to do in java . com A funo, ugent

您可以根据需要随意修改 cleanTextContent() 方法，并根据需要添加/删除正则表达式。

快乐学习！！

标签2： Java Regular Expressions Regular Expressions

地址：https://www.cundage.com/article/java-clean-ascii-text-non-printable-chars.html