Unicode udrensning af java String

dinstring.replace("[^A-Za-z0-9,.]", "")

tilfoej selv alle de tegn du vil beholde

Hej Arne.

Tak for svaret.

Jeg havde håbet, at jeg ikke explicit skulle sidde og udvælge eéëè osv., men kunne kalde en eller anden

if (UnicodeHelper.isCharacterUnicodeClassL(minkarater))
{
  ...
}

Som jeg læser mig frem til (http://en.wikipedia.org/wiki/Mapping_of_Unicode_characters#General_Category), så findes den kategorisering af Unicode karaktererne, som jeg refererer til.

Jeg havde blot håbet på at Java havde én eller anden sindrig implementering af denne kategorisering, så jeg slap for håndarbejdet.

Det ville også gøre min kode mere robust, hvis kategorierne udvikler sig over tid.

/El Prebsi

Du burde kunne konstrueree strengen med hjaelp af Character.UnicodeBlock's hvis du vil.

Ups. Det er vist general category ikke blocks du vil have. men det kan ogsaa laves. Jeg proever at bixe et eksempel.

Noget a la:

import java.util.regex.Pattern;

public class Strip {
    private static byte[] validCategories = { Character.UPPERCASE_LETTER, Character.LOWERCASE_LETTER, Character.DECIMAL_DIGIT_NUMBER };
    private static Pattern valid;
    static {
        StringBuilder sb = new StringBuilder();
        for(int c = 0; c <= 0x0000FFFF; c++) {
            for(byte cat : validCategories) {
                if(Character.getType(c) == cat) {
                    sb.append((char)c);
                }
            }
        }
        valid = Pattern.compile("[^" + Pattern.quote(sb.toString()) + "]");
    }
    public static String strip(String s) {
        return valid.matcher(s).replaceAll("");
    }
    public static void main(String[] args) {
        System.out.println(Strip.strip("a b c"));
        System.out.println(Strip.strip("123.456"));
        System.out.println(Strip.strip("æøå"));
    }
}

Tak for det. Det kan jeg sagtens bytte videre på.

Kan du sige mig, om String's både kan indeholde char's og Unicode karakterer ?

Smid et svar.

Tak for hjælpen
El Prebsi

String indeholder altid char's. Og char's er naesten det samme som Unicode codepoints. Forskellen er at der gaar 2 chars paa codepoints > 0xFFFF.

og svar

Character og String klasserne har metoder for aegte codepoint haandtering. Men hvis du kan noejes me 0-0xFFFF, saa er det altsaa nemmere.