По-видимому, ярлык Java Regex учитывает Umlauts и другие специальные символы как "словарные символы", когда я использую Regex.
"TESTÜTEST".replaceAll( "\\W", "" )
возвращает "TESTTEST" для меня. То, что я хочу, это удаление только всех истинно не-словных символов. Любой способ сделать это, не имея что-то по строкам
"[^A-Za-z0-9äöüÄÖÜßéèáàúùóò]"
только для того, чтобы понять, что я забыл?
Используйте [^\p{L}\p{Nd}]+ - это соответствует всем (Unicode) символам, которые не являются ни буквами, ни (десятичными) цифрами.
В Java:
String resultString = subjectString.replaceAll("[^\\p{L}\\p{Nd}]+", "");
Edit:
Я изменил \p{N} на \p{Nd}, потому что первый также соответствует некоторым числовым символам, таким как ¼; последнее - нет. Посмотрите на regex101.com.
Я пытался добиться совершенно противоположного, когда я столкнулся с этой нитью. Я знаю, что он довольно старый, но здесь мое решение тем не менее. Вы можете использовать блоки, см. здесь. В этом случае скомпилируйте следующий код (с правом импорта):
> String s = "äêìóblah";
> Pattern p = Pattern.compile("[\\p{InLatin-1Supplement}]+"); // this regex uses a block
> Matcher m = p.matcher(s);
> System.out.println(m.find());
> System.out.println(s.replaceAll(p.pattern(), "#"));
Вы должны увидеть следующий вывод:
True
#blah
Бест,
Иногда вы не хотите просто удалять символы, но просто удаляйте акценты. Я придумал следующий класс утилиты, который я использую в своих веб-проектах Java REST, когда мне нужно включить String в URL-адрес:
import java.text.Normalizer;
import java.text.Normalizer.Form;
import org.apache.commons.lang.StringUtils;
/**
* Utility class for String manipulation.
*
* @author Stefan Haberl
*/
public abstract class TextUtils {
private static String[] searchList = { "Ä", "ä", "Ö", "ö", "Ü", "ü", "ß" };
private static String[] replaceList = { "Ae", "ae", "Oe", "oe", "Ue", "ue",
"sz" };
/**
* Normalizes a String by removing all accents to original 127 US-ASCII
* characters. This method handles German umlauts and "sharp-s" correctly
*
* @param s
* The String to normalize
* @return The normalized String
*/
public static String normalize(String s) {
if (s == null)
return null;
String n = null;
n = StringUtils.replaceEachRepeatedly(s, searchList, replaceList);
n = Normalizer.normalize(n, Form.NFD).replaceAll("[^\\p{ASCII}]", "");
return n;
}
/**
* Returns a clean representation of a String which might be used safely
* within an URL. Slugs are a more human friendly form of URL encoding a
* String.
* <p>
* The method first normalizes a String, then converts it to lowercase and
* removes ASCII characters, which might be problematic in URLs:
* <ul>
* <li>all whitespaces
* <li>dots ('.')
* <li>(semi-)colons (';' and ':')
* <li>equals ('=')
* <li>ampersands ('&')
* <li>slashes ('/')
* <li>angle brackets ('<' and '>')
* </ul>
*
* @param s
* The String to slugify
* @return The slugified String
* @see #normalize(String)
*/
public static String slugify(String s) {
if (s == null)
return null;
String n = normalize(s);
n = StringUtils.lowerCase(n);
n = n.replaceAll("[\\s.:;&=<>/]", "");
return n;
}
}
Являясь немецким оратором, я включил правильную обработку немецких умляутов - список должен быть легко распространен для других языков.
НТН
EDIT: Обратите внимание, что может быть небезопасно включать возвращенную строку в URL-адрес. Вы должны по крайней мере HTML кодировать его, чтобы предотвратить атаки XSS.
Ну, вот одно решение, с которым я закончил, но я надеюсь, что там будет более элегантный...
StringBuilder result = new StringBuilder();
for(int i=0; i<name.length(); i++) {
char tmpChar = name.charAt( i );
if (Character.isLetterOrDigit( tmpChar) || tmpChar == '_' ) {
result.append( tmpChar );
}
}
result заканчивается желаемым результатом...
Вы можете захотеть сначала удалить акценты и диакритические знаки, затем в каждой позиции персонажа проверьте, является ли "упрощенная" строка буквой ascii - если это так, исходная позиция должна содержать символы слова, если нет, ее можно удалить.
Вы можете использовать StringUtils из apache