如何删除所有扩展 ASCII 字符，但不删除变音符号？答案

【问题标题】：How to remove all Extended ASCII characters, but not umlauts?如何删除所有扩展 ASCII 字符，但不删除变音符号？
【发布时间】：2014-07-03 07:23:10
【问题描述】：

我想从输入中删除所有ASCII 扩展字符。（参考：http://www.theasciicode.com.ar/extended-ascii-code/letter-a-umlaut-diaeresis-a-umlaut-lowercase-ascii-code-132.html）。

因此我可以使用CharMatcher.ASCII，但我还想保留德语变音符号，它们包含在扩展字符集中。那么，我该如何实现呢？

【问题讨论】：

你有没有尝试过？
正如我所写，我尝试了 ASCII 匹配器，例如：replaceAll("[^\\p{ASCII}]", ""); 但我不知道如何不替换变音符号。
不，您没有说您尝试过，也没有发布任何代码。那么，您提到的replaceAll 除了变音符号之外的作品？不能直接加吗？ (replaceAll("[^\\p{ASCII}&]", "");)

标签： java ascii

【解决方案1】：

如果您想为此任务使用 Guava CharMatcher 类，那么您可以使用 and(CharMatcher) 和 or(CharMatcher) 方法等组成匹配器。例如：

CharMatcher asciiPlusUmlauts = 
    CharMatcher.ASCII.or(CharMatcher.anyOf("ÄäÖöÜüß"));

你明白了吗？

【讨论】：

太好了，很有希望。您是否还知道如何将任何字符转换为其“统一”而不是用固定字符替换它？例如：Ç -> C, á -> a...
@membersound cmets 不是提出不同问题的地方。先搜索，如果没有找到答案，请提出新问题。
同意。我不会回答那个评论。

【解决方案2】：

如何使用白名单：

input = input.replaceAll("[^\\p{ASCII}ÄäÖöÜüß]", "");

字符类都是 ASCII 字符加上变音符号（我也加入了 esszet）

在行动：

System.out.println("a\tb© ½Ü, ß".replaceAll("[^\\p{ASCII}ÄäÖöÜüß]", ""));

输出：

a   b Ü, ß

【讨论】：

控制字符是否要替换尚不清楚。也许[^\\p{ASCII}ÄäÖöÜüß]？
@Keppil 你达成了交易

【解决方案3】：

看看 Lucene 的org.apache.lucene.analysis.ASCIIFoldingFilter。它以一种有效的方式完全满足您的要求。它通过检查每个char 是否小于\u0080（即字符代码点128）来进行折叠。如果是，您可以保持原样（它是一个 ASCII 字符），否则您必须以某种方式处理它。有关 Unicode 拉丁字符的更多详细信息，请查看 http://en.wikipedia.org/wiki/Latin_characters_in_Unicode

【讨论】：