在C#中使用正则表达式删除日语字符串中的特殊字符

Question

我有一个这样的字符串(string inputstring = "xyz's𞉀，外部広告掲載費用how are you?'")。我想在C#中使用正则表达式从这个字符串中删除特殊字符。我需要这样的输出(xyzs 123456外部広告掲載費用你好吗)，请让我知道这是可能的。

Answer 1

类似于：

string finalstring = Regex.Replace(inputstring, @"[^\p{L}\p{N}\s]", "");

这里是Unicode类别：https://msdn.microsoft.com/library/20bw873z.aspx

\p{L} are Letters
\p{N} are Numbers
\s are space characters

我否定了所有内容，因此删除了不属于所有三个类别的字符。

注意，从技术上讲，我走得太远了.该正则表达式将“接受”而不是“删除”其他脚本，因此如果您遇到英文-中文-日文-阿拉伯混合字符串，则中文和阿拉伯字符将保留不变。虽然删除“阿拉伯”字符很容易，但删除“中文”字符可能很复杂，因为有CJK Unified Ideographs...

您可以从以下内容开始：

string finalstring = Regex.Replace(inputstring, @"[^\p{IsBasicLatin}\p{IsLatin-1Supplement}\p{IsLatinExtended-A}\p{IsLatinExtended-B}\p{IsLatinExtendedAdditional}\p{IsLatinExtendedAdditional}\p{IsHiragana}\p{IsKatakana}\p{IsCJKUnifiedIdeographs}\s]", "");

然后看看是否需要添加其他CJK块...(同一页，“支持的命名块”部分)。这将删除“阿拉伯”(和其他脚本)，但显然不会对CJK的“问题”做任何事情。

Answer 2

您可以创建一个禁止字符的char数组，并使用两个for循环，如下所示：

string inputstring =  "xyz's &#123456 , 外部広告掲載費用 how are you?'";
string outputstring = "";
char[] bannedCharacters = new char[]{'\'', '&', '#', ',', '?'};
bool isOk;

for(int i = 0; i < inputstring.Length; i++){
    isOk = true;
    for(int j = 0; j < bannedCharacters.Length; j++){
        if(inputString[i] == bannedCharacters[j]){
            isOk = false;
        }
    }
    if(isOk){
        outputstring += inputstring[i];
    }
}