Java usunąć non Łacińskiej podstawowe znaki z łańcucha

Question

Powiedzmy mam następujący kod:

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

chciałbym, aby usunąć znaki spoza alfabetu łacińskiego: ✔, ▬, █, ✖, ♫, ♬ i ★.

i go stać to: This description is a mess.

Wiem, że pewnie ton tych WingDings-podobnej postaci, więc zamiast określania co chciałabym usunąć, myślę, że lepiej wymienić co chcę zachować : Basic Latin i Latin-1 supplements znaków.

odkryłem, że mogę użyć następującego kodu, aby usunąć wszystko, ale podstawowych znaków łacińskich

String clean_description = description.replaceAll("[^\\x00-\\x7F]", "").trim();

Ale czy jest jakiś sposób aby zachować również znaków Latin-1 suplementów?

Answer 1

Od patrząc na charakter waha podałeś, wydaje się, że "Podstawowy łaciński" i "Latin-1 Supplements" sąsiadują (0x00 - 0x7F i 0x80 - 0xFF).

Można więc użyć tego samego wyrażenia regularnego, które zostało podane, po prostu rozszerzonego o znaki "Latin-1 Supplement". Że będzie wyglądać następująco:

String clean_description = description.replaceAll("[^\\x00-\\xFF]", "").trim(); 

Jak zauważył w komentarzach przez Quinn, nie pozbyć się przestrzeni między usuniętymi sekcjach, więc wynik ma nadmiar spacji (który może lub nie może być to, czego chcieć). Jeśli chcesz usunąć te spacje, wyrażeń regularnych Quinn ([^(\\x00-\\xFF)]+(?:$|\\s*), na wypadek, gdyby komentarz został usunięty) może zadziałać.

Answer 2

Jeśli chcesz bardziej opisowego używając wyrażenia to:

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

lub przecięcie negacji [\P{InBasic_Latin}&&\P{InLatin-1Supplement}] (nie, że jest to bardziej czytelne;))