Entfernen Sie alle Nicht-Wort-Zeichen aus einem String in Java und lassen Sie Zeichen mit Akzent?

Anscheinend zählt Javas Regex-Geschmack Umlaute und andere Sonderzeichen als Nicht- "Wortzeichen", wenn ich Regex verwende.

        "TESTÜTEST".replaceAll( "\\W", "" )

gibt "TESTTEST" für mich zurück. Was ich möchte, ist, dass nur alle wirklich nicht "Wortzeichen" entfernt werden. Jeder Weg, dies zu tun, ohne etwas in der Art von zu haben

         "[^A-Za-z0-9äöüÄÖÜßéèáàúùóò]"

nur um zu erkennen, dass ich vergessen habe?

Verwendung [^\p{L}\p{Nd}]+- Dies entspricht allen (Unicode-) Zeichen, die weder Buchstaben noch (Dezimal-) Ziffern sind.

In Java:

String resultString = subjectString.replaceAll("[^\\p{L}\\p{Nd}]+", "");

Bearbeiten:

Ich habe zu gewechselt \p{N}, \p{Nd}weil das erstere auch mit einigen Zahlensymbolen übereinstimmt, wie z ¼. Letzteres nicht. Sehen Sie es auf regex101.com .

Ich habe versucht, genau das Gegenteil zu erreichen, als ich auf diesen Thread gestoßen bin. Ich weiß, dass es ziemlich alt ist, aber hier ist trotzdem meine Lösung. Sie können Blöcke verwenden, siehe hier . Kompilieren Sie in diesem Fall den folgenden Code (mit den richtigen Importen):

> 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(), "#"));

Sie sollten die folgende Ausgabe sehen:

wahr

#blah

Beste,

Manchmal möchten Sie nicht einfach die Zeichen entfernen, sondern nur die Akzente. Ich habe die folgende Dienstprogrammklasse entwickelt, die ich in meinen Java REST-Webprojekten verwende, wenn ich einen String in eine URL einfügen muss:

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;
    }
}

Als Deutschsprachiger habe ich auch den richtigen Umgang mit deutschen Umlauten aufgenommen - die Liste sollte für andere Sprachen leicht zu erweitern sein.

HTH

BEARBEITEN: Beachten Sie, dass es möglicherweise unsicher ist, den zurückgegebenen String in eine URL aufzunehmen. Sie sollten es mindestens in HTML codieren, um XSS-Angriffe zu verhindern.

Nun, hier ist eine Lösung, die ich gefunden habe, aber ich hoffe, es gibt eine elegantere ...

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 endet mit dem gewünschten Ergebnis ...

Möglicherweise möchten Sie zuerst die Akzente und diakritischen Zeichen entfernen und dann bei jeder Zeichenposition prüfen, ob die "vereinfachte" Zeichenfolge ein ASCII-Buchstabe ist. Wenn dies der Fall ist, muss die ursprüngliche Position Wortzeichen enthalten. Wenn nicht, kann sie entfernt werden.