如何从UTF8字符串中删除控制字符

我有一个处理文档内容的VB.NET程序。该程序处理大批量的文件为“批量”（> 2百万个文件;总共1TB量）这些文档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）。如何从UTF8字符串中删除控制字符

是否有删除方便，尤其是快速方式字符（除空格，换行，制表符，...）如果答案是正则表达式：？有没有人一个完整正则表达式我吗？

谢谢！

来源

2010-12-21 Mimefilt

控制字符有什么问题？我假设他们适合文件本身。 – Lazarus 2010-12-21 15:30:34

该程序使用不同的解析器（word，pdf，...），并处理纯文本和XML文件。有时（提取的）“body”/ content字符串仍然包含恼人的字符，如“f0e8”。所以我必须自己删除它们 – Mimefilt 2010-12-21 15:35:06

http://www.utf8-chartable.de/unicode-utf8-table.pl?start=61568&number=512说f0e8是一个utf8字符或我错了吗？ – Mimefilt 2010-12-21 15:48:10

尝试

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

这将从字符串中删除所有的 “其他” Unicode字符（控制，格式，私人使用，替代，以及未分配）。

来源

2010-12-21 16:04:16

这是控制字符的POSIX正则表达式：[:cntrl:]，来自Regular Expression的维基百科。

来源

2010-12-21 15:51:33 systemovich

如何从UTF8字符串中删除控制字符

回答

相关问题