如何在 Java 中删除字符串中 Unicode 杂项符号的 Unicode 十进制值答案

【问题标题】：How to remove Unicode decimal values of Unicode miscellaneous Symbols in String in Java如何在 Java 中删除字符串中 Unicode 杂项符号的 Unicode 十进制值
【发布时间】：2020-03-15 03:28:03
【问题描述】：

我正在删除或替换在 Web 应用程序的文本区域字段中使用的字符串（在 Java 中）中的杂项符号。发生的情况是，当我使用下面的内容时，内容被转换为 unicode十进制表示值。

内容是：字符串 a = '最后搜索结果公告板验证 ⛔ 0 ⚡ 1 ⚠ 6 ? 0'

当我将该内容保存在文本区域（即网页中）时，该符号将保存为 ⛔,⚡,⚠.

我想删除 unicode 表示值（或）以正确的格式保存内容，以便我可以将正确的数据保存到数据库中。

如何从字符串中删除符号（“⛔”或“⚡”或“⚠”）的 Unicode 表示值？实际上我试图用正则表达式来替换下面的那些表示 s.replaceAll("[9728 - 9983];", "")。范围 [9728 - 9983] 表示杂项符号 unicode 十进制值范围。但它没有正确替换它。我可以使用哪个正则表达式？或者可以使用哪种方法来删除字符串中的值？

（或）

如何在字符串中将 unicode 表示值（'⛔' 或 '⚡' 或 '⚠'）再次转换为相同的符号（⛔ ,⚡ ,⚠ ）？

【问题讨论】：

标签： java string unicode symbols

【解决方案1】：

我还没有在 Java 中找到这样的实用程序。你只需要以“硬”的方式去做。

请注意，这不包括十六进制等效项（例如 ⛔）或长度不等于 4 的十进制值。

public static String htmlCharsDecode(String string) {
    int           length = string.length();
    StringBuilder out    = new StringBuilder(length);

    NumberFormat  parser = NumberFormat.getInstance();
    ParsePosition pos       = new ParsePosition(0);

    for (int i = 0; i < length; i++) {
        char c = string.charAt(i);

        if (c == '&' && i < length - 6 && string.charAt(i + 1) == '#' && string.charAt(i + 6) == ';') {
            String codepointString = string.substring(i + 2, i + 6);

            pos.setIndex(0);
            Number value = parser.parse(codepointString, pos);

            boolean isDecimal = pos.getIndex() == codepointString.length();
            if (isDecimal) {
                int codepoint = value.intValue();
                if (codepoint >= 9728 && codepoint <= 9999) {
                    out.append((char)codepoint);
                    i += 6;
                    continue;
                }
            }
        }

        out.append(c);
    }

    return out.toString();
}

您可以将parser 和pos 设为全局，以防止在每次调用时创建新对象，但要注意它们不是线程安全的。（而且过早优化也不好）

【讨论】：

【解决方案2】：

你需要用UTF-8渲染页面，并在表单中说服务器接受表单数据中的UTF-8。（否则发送 &#...; 实体而不是 Unicode 符号。）

<form action="..." accept-charset="ISO-8859-1">

在 HTML 5 中：

<meta charset="UTF-8">

旧版 HTML：

<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">

也应该相应地设置响应头：

Content-Type: text/html; charset=UTF-8

response.setContentType("text/html; charset=UTF-8");
response.setCharacterEncoding("UTF-8");

【讨论】：

【解决方案3】：

有一些库可以取消转义 HTML 实体，例如JSoup Parser.unescapeEntities() 方法。

如果您想简单地删除表情符号，请查看this answer which uses a white-list filter approach：

String input = "Last Validations ⛔ 0 ⚡ 1 ⚠ 6 ? 0";
String characterFilter = "[^\\p{L}\\p{M}\\p{N}\\p{P}\\p{Z}\\p{Cf}\\p{Cs}\\s]";
String emotionless = input.replaceAll(characterFilter,""); 
System.out.println(emotionless); // Last Validations  0  1  6 ? 0

【讨论】：