Come posso sostituire i caratteri Unicode non stampabili in Java?

Quanto segue sostituirà i caratteri di controllo ASCII (abbreviazione di [\x00-\x1F\x7F]):

my_string.replaceAll("\\p{Cntrl}", "?");

Quanto segue sostituirà tutti i caratteri ASCII non stampabili (abbreviazione di [\p{Graph}\x20]), inclusi i caratteri accentati:

my_string.replaceAll("[^\\p{Print}]", "?");

Tuttavia, nessuno dei due funziona per le stringhe Unicode. Qualcuno ha un buon modo per rimuovere i caratteri non stampabili da una stringa Unicode?

my_string.replaceAll("\\p{C}", "?");

Vedi di più su Unicode regex . java.util.regexPattern/ String.replaceAllli supporta.

Op De Cirkel ha perlopiù ragione. Il suo suggerimento funzionerà nella maggior parte dei casi:

myString.replaceAll("\\p{C}", "?");

Ma se myStringpotrebbe contenere codepoint non BMP, allora è più complicato. \p{C}contiene i codepoint surrogati di \p{Cs}. Il metodo di sostituzione sopra corromperà i codepoint non BMP sostituendo a volte solo metà della coppia surrogata. È possibile che questo sia un bug di Java piuttosto che un comportamento previsto.

L'utilizzo delle altre categorie costituenti è un'opzione:

myString.replaceAll("[\\p{Cc}\\p{Cf}\\p{Co}\\p{Cn}]", "?");

Tuttavia, i caratteri surrogati solitari che non fanno parte di una coppia (ogni carattere surrogato ha un codepoint assegnato) non verranno rimossi. Un approccio non regex è l'unico modo che conosco per gestire correttamente \p{C}:

StringBuilder newString = new StringBuilder(myString.length());
for (int offset = 0; offset < myString.length();)
{
    int codePoint = myString.codePointAt(offset);
    offset += Character.charCount(codePoint);

    // Replace invisible control characters and unused code points
    switch (Character.getType(codePoint))
    {
        case Character.CONTROL:     // \p{Cc}
        case Character.FORMAT:      // \p{Cf}
        case Character.PRIVATE_USE: // \p{Co}
        case Character.SURROGATE:   // \p{Cs}
        case Character.UNASSIGNED:  // \p{Cn}
            newString.append('?');
            break;
        default:
            newString.append(Character.toChars(codePoint));
            break;
    }
}

Potresti essere interessato alle categorie Unicode "Altro, Controllo" ed eventualmente "Altro, Formato" (purtroppo quest'ultimo sembra contenere sia caratteri non stampabili che stampabili).

Nelle espressioni regolari Java puoi verificarle usando \p{Cc}e \p{Cf}rispettivamente.

metodi in atto per il tuo obiettivo

public static String removeNonAscii(String str)
{
    return str.replaceAll("[^\\x00-\\x7F]", "");
}

public static String removeNonPrintable(String str) // All Control Char
{
    return str.replaceAll("[\\p{C}]", "");
}

public static String removeSomeControlChar(String str) // Some Control Char
{
    return str.replaceAll("[\\p{Cntrl}\\p{Cc}\\p{Cf}\\p{Co}\\p{Cn}]", "");
}

public static String removeFullControlChar(String str)
{
    return removeNonPrintable(str).replaceAll("[\\r\\n\\t]", "");
} 

Ho usato questa semplice funzione per questo:

private static Pattern pattern = Pattern.compile("[^ -~]");
private static String cleanTheText(String text) {
    Matcher matcher = pattern.matcher(text);
    if ( matcher.find() ) {
        text = text.replace(matcher.group(0), "");
    }
    return text;
}

Spero che questo sia utile.

Sulla base delle risposte di Op De Cirkel e noackjr , quanto segue è ciò che faccio per la pulizia generale delle stringhe: 1. trimming degli spazi bianchi iniziali o finali, 2. dos2unix, 3. mac2unix, 4. rimozione di tutti i "caratteri Unicode invisibili" tranne gli spazi bianchi:

myString.trim.replaceAll("\r\n", "\n").replaceAll("\r", "\n").replaceAll("[\\p{Cc}\\p{Cf}\\p{Co}\\p{Cn}&&[^\\s]]", "")

Testato con Scala REPL.

Propongo di rimuovere i caratteri non stampabili come sotto invece di sostituirlo

private String removeNonBMPCharacters(final String input) {
    StringBuilder strBuilder = new StringBuilder();
    input.codePoints().forEach((i) -> {
        if (Character.isSupplementaryCodePoint(i)) {
            strBuilder.append("?");
        } else {
            strBuilder.append(Character.toChars(i));
        }
    });
    return strBuilder.toString();
}

Ho ridisegnato il codice per i numeri di telefono +9 (987) 124124 Estrai cifre da una stringa in Java

 public static String stripNonDigitsV2( CharSequence input ) {
    if (input == null)
        return null;
    if ( input.length() == 0 )
        return "";

    char[] result = new char[input.length()];
    int cursor = 0;
    CharBuffer buffer = CharBuffer.wrap( input );
    int i=0;
    while ( i< buffer.length()  ) { //buffer.hasRemaining()
        char chr = buffer.get(i);
        if (chr=='u'){
            i=i+5;
            chr=buffer.get(i);
        }

        if ( chr > 39 && chr < 58 )
            result[cursor++] = chr;
        i=i+1;
    }

    return new String( result, 0, cursor );
}