在Java中从字符串中移除标点符号

Kahen大约 4 分钟

在文本处理和分析中，从字符串中消除标点符号是一种常见做法。

在这个快速教程中，让我们探讨如何轻松地从给定的字符串中移除标点符号。

2. 问题介绍

假设我们有一个字符串：

static final String INPUT = "It's 1 W o r d (!@#$%^&*{}[];':\")<>,.";

正如我们所看到的，字符串_INPUT_包含数字、字母、空白和各种标点符号。

我们的目标是从字符串中仅移除标点符号，并将字母、数字和空白保留在结果中：

static final String EXPECTED = "Its 1 W o r d ";

在这个教程中，我们将主要使用Java标准库中附带的_String.replaceAll()_方法来解决问题。

为了简单起见，我们将使用单元测试断言来验证结果是否符合预期。

接下来，让我们看看如何移除标点符号。

我们提到了使用_String.replaceAll()_方法从输入字符串中移除标点。replaceAll()_方法基于正则表达式进行字符串替换。它检查输入字符串，并用替换字符串替换所有匹配我们的正则模式的部分。

因此，正则模式是解决这个问题的关键。

由于我们想要在结果中保留字母、数字和空白，我们可以将任何不是数字、字母或空白字符的字符替换为空字符串。我们可以使用正则表达式的字符范围[^\s\p{L}0-9]来匹配这些字母。

接下来，让我们创建一个测试来检查它是否有效：

String result = INPUT.replaceAll("[^\\s\\p{L}0-9]", "");
assertEquals(EXPECTED, result);

如果我们执行它，测试就会通过。正则表达式非常直接。对于那些不熟悉语法的人来说，注意以下几点可能会有所帮助：

此外，Java的正则表达式引擎支持POSIX字符类。因此，我们可以直接使用_\p{Punct}_字符类来匹配任何字符在 !”#$%&'()*+,-./:;<=>?@[]^`{|}~:_

String result = INPUT.replaceAll("\\p{Punct}", "");
assertEquals(EXPECTED, result);

当我们运行上述测试时，它也会通过。

我们已经成功地看到了两种从输入字符串中移除标点的方法。如果我们仔细看看_INPUT_字符串，我们会意识到它由ASCII字符组成。

一个问题可能会出现 - 如果我们收到像这样的字符串：

static final String UNICODE_INPUT = "3 March März 三月 březen маршировать (!@#$%^&*{}[];':\")<>,.";

除了数字‘3’、空白字符和标点符号，这个输入还包括了英语、德语、中文、捷克语和俄语中的“March”这个词。所以，与之前的_INPUT_字符串不同，_UNICODE_INPUT_变量包含Unicode字符。

移除标点后，预期的结果应该是这样的：

static final String UNICODE_EXPECTED = "3 March März 三月 březen маршировать ";

接下来，让我们测试我们的两种解决方案是否仍然适用于这个输入：

String result1 = UNICODE_INPUT.replaceAll("[^\\s\\p{L}0-9]", "");
assertNotEquals(UNICODE_EXPECTED, result1);

上述测试通过。但我们应该注意到断言是assertNotEquals()。所以“移除[^\s\p{L}0-9]”的方法没有产生预期的结果。让我们看看它实际上产生了什么结果：

String actualResult1 = "3 March Mrz  bezen  ";
assertEquals(actualResult1, result1);

所以，所有非ASCII字符都与标点符号一起被移除了。显然，“移除[^\s\p{L}0-9]”的方法不适用于Unicode字符串。

但我们可以通过将“a-zA-Z”范围替换为“\p{L}”来修复它：

String result3 = UNICODE_INPUT.replaceAll("[^\\s\\p{L}0-9]", "");
assertEquals(UNICODE_EXPECTED, result3);

值得一提的是，_\p{L}_匹配任何字母，包括Unicode字符。

另一方面，“移除_\p{Punct}_”的方法仍然适用于Unicode输入：

String result2 = UNICODE_INPUT.replaceAll("\\p{Punct}", "");
assertEquals(UNICODE_EXPECTED, result2);

这是因为_\p{Punct}_仅匹配标点字符。

在本文中，我们学习了如何使用标准的_String.replaceAll()_方法从字符串中移除标点：

像往常一样，这里展示的所有代码片段都可以在GitHub上找到。