删除 ASCII 控制字符的正则表达式

Question

我一直在读到以下模式在 Java 中用作

String#replaceAll()

的一部分

"[\\p{Cntrl}&&[^\r\n\t]]"

从中删除各种不可打印的 ASCII 字符。

如何解释上述咒语：

• 哪些字符包含在要删除的控制字符中？

• &&

  代表什么？

• ^

  是否意味着它只查看行的开头？

有人可以对上述表达式提供全面的非技术解释吗？

提前谢谢您。

Answer 1

这里发生的一些事情仅在某些正则表达式中可用。您可能会在 Java 或 Ruby 中看到它们，但不会在 JavaScript 或 Perl 中看到它们。

在支持的情况下，您可以定义一个包含多个类的字符类。例如，

[[a-z][0-9]]

是

[a-z0-9]

的有效等价物。

在支持

&&

运算符的情况下，它可用于创建一个字符类，该字符类是两个字符类的交集。例如，

[[a-z]&&[^d-w]]

相当于

[abcxyz]

。

有很多 POSIX 字符类可以用

\p{category_name}

定义。类别

\p{Cntrl}

代表

[\x00-\x1F\x7F]

。您可以在 Java 文档中找到

java.util.regex.Pattern

的示例。
（参见：https://docs.oracle.com/javase/8/docs/api/java/util/regex/Pattern.html）

因此，您的正则表达式会匹配

[\x00-\x1F\x7F]

范围内的每个字符，但字符

[\r\n\t]

除外。

Answer 2

该模式匹配控制字符集

\\p{Cntrl}

与非换行符、回车符或制表符

&&

相交（通过

[^\r\n\t]

）的字符。示例：

"a\u0001b\u0002c\rd\te\nf".replaceAll("[\\p{Cntrl}&&[^\r\n\t]]","-");
=> control codes 0001 and 0002 are removed: "a-b-c\rd\te\nf"

为了帮助解释，请考虑将

\\p{Cntrl}

替换为

[a-z]

，将

[^\r\n\t]

替换为

[^aeiou]

，然后您将得到一个可用于过滤辅音的模式：

"123abcdef".replaceAll("[[a-z]&&[^aeiou]]","-");
=> "123a---e-"