如何從UTF8字符串中刪除控制字符

我有一個處理文檔內容的VB.NET程序。該程序處理大批量的文件爲「批量」（> 2百萬個文件;總共1TB量）這些文檔中的一些可能包含控制字符或字符，如f0e8（http://www.fileformat.info/info/unicode/char /f0e8/browsertest.htm）。如何從UTF8字符串中刪除控制字符

是否有刪除方便，尤其是快速方式字符（除空格，換行，製表符，...）如果答案是正則表達式：？有沒有人一個完整正則表達式我嗎？

謝謝！

來源

2010-12-21 Mimefilt

控制字符有什麼問題？我假設他們適合文件本身。 – Lazarus 2010-12-21 15:30:34

該程序使用不同的解析器（word，pdf，...），並處理純文本和XML文件。有時（提取的）「body」/ content字符串仍然包含惱人的字符，如「f0e8」。所以我必須自己刪除它們 – Mimefilt 2010-12-21 15:35:06

http://www.utf8-chartable.de/unicode-utf8-table.pl?start=61568&number=512說f0e8是一個utf8字符或我錯了嗎？ – Mimefilt 2010-12-21 15:48:10

嘗試

resultString = Regex.Replace(subjectString, "\p{C}+", "");

這將從字符串中刪除所有的「其他」 Unicode字符（控制，格式，私人使用，替代，以及未分配）。

來源

2010-12-21 16:04:16

這是控制字符的POSIX正則表達式：[:cntrl:]，來自Regular Expression的維基百科。

來源

2010-12-21 15:51:33 systemovich

如何從UTF8字符串中刪除控制字符

回答

相關問題