使用正則表達式刪除所有獨佔拉丁字符

我正在開發一個葡萄牙語軟件，因此我的許多實體都有'maça'或'lição'這樣的名稱，我想將該實體用作資源鍵。所以我想保留除'ç，ã，õ....'以外的每個字符。使用正則表達式刪除所有獨佔拉丁字符

有一些使用正則表達式的最佳解決方案？我的實際正則表達式是（爲Remove characters using Regex建議）：

Regex regex = new Regex(@"[\W_]+"); 
string cleanText = regex.Replace(messyText, "").ToUpper();

只強調，我只是用拉丁字符擔心。

來源

2011-03-16 Custodio

標題寫着「刪除所有拉丁字符」，是正確的？ ''abçã12＃$％'''怎麼辦？ – Kobi 2011-03-16 19:35:35

「abc」是什麼，所有拉丁字符。 – Tergiver 2011-03-16 19:40:07

我的壞@Kobi，我改了標題 – Custodio 2011-03-16 19:44:18

一個簡單的選擇是白名單中接受的字符：

string clean = Regex.Replace(messy, @"[^[email protected]#]+", "");

如果你想刪除所有非ASCII字母，但保留其他所有的字符，你可以使用character class subtraction：

string clean = Regex.Replace(messy, @"[\p{L}-[a-zA-Z]]+", "");

它也可以寫成更加標準和複雜的[^\P{L}a-zA-Z]+（或[^\Wa-zA-Z]），它讀取「選擇所有字符是不是（不是字母或ASCII字母）「，它以我們正在查找的字母結尾。

你也可以考慮以下幾種方法更爲有效：How do I remove diacritics (accents) from a string in .NET?

來源

2011-03-16 19:43:12 Kobi

+1因爲我以前從來沒有見過字符類減法。神聖的煙霧，這很有用。這是隻在.NET？ – 2011-03-16 19:49:27

這就是我在想@Kobi。所有人物的想法減去拉丁獨家。 – Custodio 2011-03-16 19:52:07

@Justin - 謝謝！這不僅僅是.Net（我在其他地方看到過，IIRC，儘管目前我無法在任何地方使用它，所以我可能在這裏是錯誤的），並且它根本沒有那麼有用 - 這個是我第一次考慮使用它。你可以用另一種方式用另一種方式來寫它，或者像'（？！[a-zA-z]）\ p {L}'（我可能在這裏忽略了這個明顯的選項......） – Kobi 2011-03-16 19:54:44

這是行不通的？

Regex regex = new Regex(@"[^a-zA-Z0-9_]");

來源

2011-03-16 19:41:36

毆打:) – 2011-03-16 19:44:50

另一種選擇可能是從Unicode轉換爲ASCII。這不會刪除字符，而是將它們轉換爲'？'。這可能比放下它們更好（用作鍵）。

string suspect = "lição"; 
byte[] suspectBytes = Encoding.Convert(Encoding.Unicode, Encoding.ASCII, Encoding.Unicode.GetBytes(suspect)); 
string purged = Encoding.ASCII.GetString(suspectBytes); 
Console.WriteLine(purged); // li??o

請注意，問號通常是唯一的但不具有代表性的字符，因此您可能會減少衝突。

來源

2011-03-16 19:51:59 Tergiver

我認爲最好的正則表達式是使用：

[^\x00-\x80]

這是所有ASCII字符的否定。它匹配所有非ASCII字符：\x00和\x80（128）是十六進制字符代碼，而-表示範圍。 [和]中的^表示否定。

用空字符串替換它們，你應該有你想要的。它還可以讓你免於擔心標點符號等，它們不是ASCII碼，並且可能導致微妙但煩人的（並且很難追查）錯誤。

如果您想使用擴展ASCII集作爲合法字符，您可以說\xFF而不是\x80。

來源

2011-03-16 19:53:25 Ezra

只需添加空格字符，並且工作正常。 – Custodio 2011-03-16 20:07:38

但儘量保持代碼易讀，x00和x80可能是未來維護的恐懼點。 – Custodio 2011-03-16 20:09:20

@Luís - 考慮添加一個友好的評論，在這種情況下，這裏有一個鏈接'：）' – Kobi 2011-03-16 20:12:36

目標應該是簡單地包含ASCII字符A-Z和數字和標點符號。使用RegEx排除該範圍之外的所有內容。

string clean = Regex.Replace(messy, @"[^\x20-\x7e]", String.Empty);

要清楚，我用正則表達式是：

[^\x20-\x7e]

您可能需要逃避\字符 - 我沒有任何東西測試這一點，但正則表達式的好友:)

排除ASCII字符0x20和0x7e之外的所有內容，這些字符轉換爲ASCII範圍十進制32-127。

祝你好運！

最佳，

-Auri

來源

2012-03-06 13:12:12

這是更有用的對我說：

([\p{L}]+)

來源

2013-07-22 14:47:57

使用正則表達式刪除所有獨佔拉丁字符

回答

相關問題