Есть ли способ избавиться от акцентов и преобразовать целую строку в обычные буквы?

Question

Есть ли лучший способ избавиться от акцентов и сделать эти буквы регулярными, кроме использования String.replaceAll() метод и замена букв по одному? Пример:

Входные данные: orčpžsíáýd

Выход: orcpzsiayd

Не нужно включать все буквы с акцентами, как русский алфавит или китайский.

Answer 1

использование java.text.Normalizer чтобы справиться с этим для вас.

string = Normalizer.normalize (string, Normalizer.Form.NFD);

Это отделит все знаки акцента от персонажей. Затем вам просто нужно сравнить каждый символ с буквой и выбросить те, которые не являются.

string = string.replaceAll ("[^ \\ p {ASCII}]", "");

Если ваш текст в Unicode, вы должны использовать это вместо:

string = string.replaceAll ("\\ p {M}", "");

Для юникода, \\P{M} соответствует основному глифу и \\p{M} (нижний регистр) соответствует каждому акценту.

Спасибо GarretWilson за указатель и регулярно-expressions.info за отличное руководство по юникоду.

Answer 2

Начиная с 2011 года вы можете использовать Apache Commons StringUtils.stripAccents (вход) (начиная с версии 3.0):

    String input = StringUtils.stripAccents("Tĥïŝ ĩš â fůňķŷ Šťŕĭńġ");
    System.out.println(input);
    // Prints "This is a funky String"

Замечания:

Принятый ответ (Эрика Робертсона) не работает для Ø или Ł. Apache Commons 3.5 также не работает для Ø, но он работает для Ł. Прочитав статью в Википедии для Ø, я не уверен, что ее следует заменить на "O": это отдельная буква на норвежском и датском языках в алфавитном порядке после "z". Это хороший пример ограничений подхода "раздевания".

Answer 3

Решение от @virgo47 очень быстрое, но приблизительное. Принятый ответ использует нормализатор и регулярное выражение. Мне было интересно, какую часть времени занял Normalizer по сравнению с регулярным выражением, поскольку удаление всех символов, не относящихся к ASCII, может быть выполнено без регулярного выражения:

import java.text.Normalizer;

public class Strip {
    public static String flattenToAscii(String string) {
        StringBuilder sb = new StringBuilder(string.length());
        string = Normalizer.normalize(string, Normalizer.Form.NFD);
        for (char c : string.toCharArray()) {
            if (c <= '\u007F') sb.append(c);
        }
        return sb.toString();
    }
}

Небольшие дополнительные ускорения можно получить, записав в char[] и не вызывая toCharArray(), хотя я не уверен, что уменьшение ясности кода заслуживает этого:

public static String flattenToAscii(String string) {
    char[] out = new char[string.length()];
    string = Normalizer.normalize(string, Normalizer.Form.NFD);
    int j = 0;
    for (int i = 0, n = string.length(); i < n; ++i) {
        char c = string.charAt(i);
        if (c <= '\u007F') out[j++] = c;
    }
    return new String(out);
}

Преимущество этого варианта заключается в правильности использования нормализатора и скорости использования таблицы. На моей машине этот примерно в 4 раза быстрее, чем принятый ответ, и в 6,6-7 раз медленнее, чем у @virgo47 (принятый ответ примерно в 26 раз медленнее, чем у @virgo47 на моей машине).

Answer 4

РЕДАКТИРОВАТЬ: Если вы не застряли с Java <6, и скорость не критична, и / или таблица перевода слишком ограничена, используйте ответ Дэвида. Дело в том, чтобы использовать Normalizer (введено в Java 6) вместо таблицы перевода внутри цикла.

Хотя это не "идеальное" решение, оно хорошо работает, когда вы знаете диапазон (в нашем случае Latin1,2), работало до Java 6 (хотя это и не является реальной проблемой) и намного быстрее, чем наиболее рекомендуемая версия (может или может быть не будет проблемой)

    /**
 * Mirror of the unicode table from 00c0 to 017f without diacritics.
 */
private static final String tab00c0 = "AAAAAAACEEEEIIII" +
    "DNOOOOO\u00d7\u00d8UUUUYI\u00df" +
    "aaaaaaaceeeeiiii" +
    "\u00f0nooooo\u00f7\u00f8uuuuy\u00fey" +
    "AaAaAaCcCcCcCcDd" +
    "DdEeEeEeEeEeGgGg" +
    "GgGgHhHhIiIiIiIi" +
    "IiJjJjKkkLlLlLlL" +
    "lLlNnNnNnnNnOoOo" +
    "OoOoRrRrRrSsSsSs" +
    "SsTtTtTtUuUuUuUu" +
    "UuUuWwYyYZzZzZzF";

/**
 * Returns string without diacritics - 7 bit approximation.
 *
 * @param source string to convert
 * @return corresponding string without diacritics
 */
public static String removeDiacritic(String source) {
    char[] vysl = new char[source.length()];
    char one;
    for (int i = 0; i < source.length(); i++) {
        one = source.charAt(i);
        if (one >= '\u00c0' && one <= '\u017f') {
            one = tab00c0.charAt((int) one - '\u00c0');
        }
        vysl[i] = one;
    }
    return new String(vysl);
}

Тесты на моем HW с 32-битным JDK показывают, что он выполняет преобразование из файла aeelstc89FDC из aeelstc89FDC 1 миллион раз за ~100 мс, в то время как Normalizer делает это за 3,7 с (в 37 раз медленнее). Если ваши потребности в производительности и вы знаете диапазон ввода, это может быть для вас.

Наслаждаться:-)

Answer 5

System.out.println(Normalizer.normalize("àèé", Normalizer.Form.NFD).replaceAll("\\p{InCombiningDiacriticalMarks}+", ""));

работал на меня. Вывод приведенного выше фрагмента дает "aee", что я и хотел, но

System.out.println(Normalizer.normalize("àèé", Normalizer.Form.NFD).replaceAll("[^\\p{ASCII}]", ""));

не сделал никакой замены.

Answer 6

В зависимости от языка, они могут рассматриваться не как акценты (которые изменяют звучание буквы), а как диакритические знаки

https://en.wikipedia.org/wiki/Diacritic

"Боснийский и хорватский имеют символы č, ć,,, š и ž, которые считаются отдельными буквами и перечислены как таковые в словарях и других контекстах, в которых слова перечислены в алфавитном порядке".

Удаление их может по своей сути изменить значение слова или заменить буквы на совершенно другие.

Answer 7

Я столкнулся с той же проблемой, связанной с проверкой равенства строк. Одна из сравниваемых строк имеет код символа ASCII 128-255.

т. е. неразрывный пробел - [Hex - A0] пробел [Hex - 20]. Показать неразрывный пробел над HTML. Я использовал следующее spacing entities, Их характер и его байты похожи &emsp is very wide space[ ]{-30, -128, -125}, &ensp is somewhat wide space[ ]{-30, -128, -126}, &thinsp is narrow space[ ]{32} , Non HTML Space {}

String s1 = "My Sample Space Data", s2 = "My Sample Space Data";
System.out.format("S1: %s\n", java.util.Arrays.toString(s1.getBytes()));
System.out.format("S2: %s\n", java.util.Arrays.toString(s2.getBytes()));

Вывод в байтах:

S1: [77, 121, 32 83, 97, 109, 112, 108, 101, 32 83, 112, 97, 99, 101, 32 , 68, 97, 116, 97] S2: [77, 121, -30, -128, -125 83, 97, 109, 112, 108, 101, -30, -128, -125 83, 112, 97, 99, 101, -30, -128, -125 68, 97, 116, 97]

Используйте приведенный ниже код для различных пространств и их байт-кодов: wiki for List_of_Unicode_characters

String spacing_entities = "very wide space,narrow space,regular space,invisible separator";
System.out.println("Space String :"+ spacing_entities);
byte[] byteArray = 
    // spacing_entities.getBytes( Charset.forName("UTF-8") );
    // Charset.forName("UTF-8").encode( s2 ).array();
    {-30, -128, -125, 44, -30, -128, -126, 44, 32, 44, -62, -96};
System.out.println("Bytes:"+ Arrays.toString( byteArray ) );
try {
    System.out.format("Bytes to String[%S] \n ", new String(byteArray, "UTF-8"));
} catch (UnsupportedEncodingException e) {
    e.printStackTrace();
}

• SC ASCII транслитерация строки Unicode для Java. unidecode

  String initials = Unidecode.decode( s2 );
  

• ➩ используя Guava: Google Core Libraries for Java,

  String replaceFrom = CharMatcher.WHITESPACE.replaceFrom( s2, " " );
  

  Для кодирования URL для пробела используйте библиотеку Guava.

  String encodedString = UrlEscapers.urlFragmentEscaper().escape(inputString);
  

• ➩ Для преодоления этой проблемы используется String.replaceAll() с некоторыми RegularExpression,

  // \p{Z} or \p{Separator}: any kind of whitespace or invisible separator.
  s2 = s2.replaceAll("\\p{Zs}", " ");
  
  
  s2 = s2.replaceAll("[^\\p{ASCII}]", " ");
  s2 = s2.replaceAll(" ", " ");
  

• ➩ Использование java.text.Normalizer.Form. Это перечисление предоставляет константы четырех форм нормализации Unicode, которые описаны в Стандартном приложении № 15 к Unicode - Формы нормализации Unicode и два метода для доступа к ним.

  

  s2 = Normalizer.normalize(s2, Normalizer.Form.NFKC);
  

---

Тестирование String и выводов на разных подходах, таких как ➩ Unidecode, Normalizer, StringUtils.

String strUni = "Tĥïŝ ĩš â fůňķŷ Šťŕĭńġ Æ,Ø,Ð,ß";

// This is a funky String AE,O,D,ss
String initials = Unidecode.decode( strUni );

// Following Produce this o/p: Tĥïŝ ĩš â fůňķŷ Šťŕĭńġ Æ,Ø,Ð,ß
String temp = Normalizer.normalize(strUni, Normalizer.Form.NFD);
Pattern pattern = Pattern.compile("\\p{InCombiningDiacriticalMarks}+");
temp = pattern.matcher(temp).replaceAll("");

String input = org.apache.commons.lang3.StringUtils.stripAccents( strUni );

---

Использование Unidecode - это best choice Мой окончательный код показан ниже.

public static void main(String[] args) {
    String s1 = "My Sample Space Data", s2 = "My Sample Space Data";
    String initials = Unidecode.decode( s2 );
    if( s1.equals(s2)) { //[ , ] %A0 - %2C - %20 « http://www.ascii-code.com/
        System.out.println("Equal Unicode Strings");
    } else if( s1.equals( initials ) ) {
        System.out.println("Equal Non Unicode Strings");
    } else {
        System.out.println("Not Equal");
    }

}

Answer 8

Поскольку это решение уже доступно в StringUtils.stripAccents() в репозитории Maven и работает для Ł, как упоминалось @DavidS. Поскольку мне нужно, чтобы это работало как для Ø, так и для Ł, изменено, как показано ниже. Может быть, помощь полная для других тоже.

      public static String stripAccents(final String input) {
    if (input == null) {
        return null;
    }
    final StringBuilder decomposed = new StringBuilder(Normalizer.normalize(input, Normalizer.Form.NFD));
    for (int i = 0; i < decomposed.length(); i++) {
        if (decomposed.charAt(i) == '\u0141') {
            decomposed.setCharAt(i, 'L');
        } else if (decomposed.charAt(i) == '\u0142') {
            decomposed.setCharAt(i, 'l');
        }else if (decomposed.charAt(i) == '\u00D8') {
            decomposed.setCharAt(i, 'O');
        }else if (decomposed.charAt(i) == '\u00F8') {
            decomposed.setCharAt(i, 'o');
        }
    }
    // Note that this doesn't correctly remove ligatures...
    return Pattern.compile("\\p{InCombiningDiacriticalMarks}+").matcher(decomposed).replaceAll("");
}

Строка ввода Ł Tĥïŝ ĩš â fůňķŷ Šťŕĭńġ Ø ø
выходная строка L This is a funky String O o

Answer 9

Я предлагаю Junidecode. Он будет обрабатывать не только "Ł" и "Ø", но также хорошо работает для транскрибирования с других алфавитов, таких как китайский, в латинский алфавит.

Answer 10

Один из лучших способов использования регулярных выражений и нормализатора, если у вас нет библиотеки, это:

    public String flattenToAscii(String s) {
                if(s == null || s.trim().length() == 0)
                        return "";
                return Normalizer.normalize(s, Normalizer.Form.NFD).replaceAll("[\u0300-\u036F]", "");
}

Это более эффективно, чем replaceAll("[^\p{ASCII}]", "")), и если вам не нужны диакритические знаки (как в вашем примере).

В противном случае вы должны использовать шаблон p {ASCII}.

С уважением.

Answer 11

Решение @David Conrad - самое быстрое, что я пробовал использовать нормализатор, но в нем есть ошибка. Он в основном удаляет символы, которые не являются ударением, например, китайские символы и другие буквы, такие как æ, все удаляются. Символы, которые мы хотим вырезать, не являются пробелами, символами, которые не занимают дополнительной ширины в последней строке. Эти символы нулевой ширины в основном объединяются в каком-то другом символе. Если вы видите их изолированными как символы, например, вот так `, я предполагаю, что они объединены с символом пробела.

public static String flattenToAscii(String string) {
    char[] out = new char[string.length()];
    String norm = Normalizer.normalize(string, Normalizer.Form.NFD);

    int j = 0;
    for (int i = 0, n = norm.length(); i < n; ++i) {
        char c = norm.charAt(i);
        int type = Character.getType(c);

        //Log.d(TAG,""+c);
        //by Ricardo, modified the character check for accents, ref: http://stackru.com/a/5697575/689223
        if (type != Character.NON_SPACING_MARK){
            out[j] = c;
            j++;
        }
    }
    //Log.d(TAG,"normalized string:"+norm+"/"+new String(out));
    return new String(out);
}

Answer 12

Столкнулся с той же проблемой, вот решение с использованием расширения Kotlin

         val String.stripAccents: String
    get() = Regex("\\p{InCombiningDiacriticalMarks}+")
        .replace(
            Normalizer.normalize(this, Normalizer.Form.NFD),
            ""
        )

Применение

      val textWithoutAccents = "some accented string".stripAccents

Answer 13

Я думаю, что лучшее решение - преобразовать каждый символ в HEX и заменить его другим HEX. Это потому, что существует 2 типа Unicode:

Composite Unicode
Precomposed Unicode

Например, "Ồ", написанное составным Unicode, отличается от "Ồ", написанное Precomposed Unicode. Вы можете скопировать мои образцы символов и преобразовать их, чтобы увидеть разницу.

In Composite Unicode, "Ồ" is combined from 2 char: Ô (U+00d4) and ̀ (U+0300)
In Precomposed Unicode, "Ồ" is single char (U+1ED2)

Я разработал эту функцию для некоторых банков, чтобы преобразовать информацию перед ее отправкой в ​​основной банк (обычно не поддерживают Unicode), и столкнулся с этой проблемой, когда конечные пользователи используют несколько типов Unicode для ввода данных. Поэтому я считаю, что переход на HEX и его замена - самый надежный способ.

Answer 14

Быстрый и безопасный способ

      public static String removeDiacritics(String str) {
    if (str == null)
        return null;
    if (str.isEmpty())
        return "";
    
    int len = str.length();
    StringBuilder sb
        = new StringBuilder(len);
    
    //iterate string codepoints
    for (int i = 0; i < len; ) {
        int codePoint = str.codePointAt(i);
        int charCount
            = Character.charCount(codePoint);
        
        if (charCount > 1) {
            for (int j = 0; j < charCount; j++)
                sb.append(str.charAt(i + j));
            i += charCount;
            continue;
        }
        else if (codePoint <= 127) {
            sb.append((char)codePoint);
            i++;
            continue;
        }
        
        sb.append(
            java.text.Normalizer
                .normalize(
                    Character.toString((char)codePoint),
                    java.text.Normalizer.Form.NFD)
                        .charAt(0));
        i++;
    }
    
    return sb.toString();
}

Answer 15

Если кто-то изо всех сил пытается сделать это в kotlin, этот код работает как шарм. Чтобы избежать противоречий, я также использую.toUpperCase и Trim(). затем я использую эту функцию:

   fun stripAccents(s: String):String{

   if (s == null) {
      return "";
   }

val chars: CharArray = s.toCharArray()

var sb = StringBuilder(s)
var cont: Int = 0

while (chars.size > cont) {
    var c: kotlin.Char
    c = chars[cont]
    var c2:String = c.toString()
   //these are my needs, in case you need to convert other accents just Add new entries aqui
    c2 = c2.replace("Ã", "A")
    c2 = c2.replace("Õ", "O")
    c2 = c2.replace("Ç", "C")
    c2 = c2.replace("Á", "A")
    c2 = c2.replace("Ó", "O")
    c2 = c2.replace("Ê", "E")
    c2 = c2.replace("É", "E")
    c2 = c2.replace("Ú", "U")

    c = c2.single()
    sb.setCharAt(cont, c)
    cont++

}

return sb.toString()

}

чтобы использовать эти забавы, введите следующий код:

     var str: String
     str = editText.text.toString() //get the text from EditText
     str = str.toUpperCase().trim()

     str = stripAccents(str) //call the function