在 C# 字符串中摆脱零宽度空间的最简单方法

Posted 2023-02-24

【中文标题】在 C# 字符串中摆脱零宽度空间的最简单方法

【英文标题】：Simplest way to get rid of zero-width-space in c# string

【发布时间】：2014-09-16 12:11:00

【问题描述】：

我在 c# VSTO 项目中使用正则表达式解析电子邮件。偶尔，正则表达式似乎不起作用（尽管如果我将文本和正则表达式粘贴到 regexbuddy 中，正则表达式会正确匹配文本）。如果我查看 gmail 中的电子邮件，我会看到

=E2=80=8B

在某些行的开头和结尾（我理解的是UTF8零宽度空间）；这似乎是弄乱正则表达式的原因。这似乎只是出现的序列。

摆脱这个确切顺序的最简单方法是什么？我做不到明显的

MailItem.Body.Replace("=E2=80=8B", "")

因为这些字符不会出现在 c# 字符串中。

我也试过

byte[] bytes = Encoding.Default.GetBytes(MailItem.TextBody);
string myString = Encoding.UTF8.GetString(bytes);

但是零宽度的空格只是显示为?。我想我可以遍历字节数组并删除包含零宽度空间的字节，但我不知道字节会是什么样子（它似乎不像将 E2 80 8B 转换为十进制并搜索那样简单） .

【参考方案1】：

由于所有Regex.Replace() 方法都对字符串进行操作，因此这里没有用处。

字符串索引器返回一个字符，因此如果需要更好的解决方案（如果您无法预测这些字符将在哪里），尽管看起来很冗长，但最好使用以下方法：

        StringBuilder newText = new StringBuilder();

        for (int i = 0; i < MailItem.Body.Length; i++)
        
            if (a[i] != '\u200b')
            
                newText.Append(a[i]);
            
         

【讨论】：

这个答案也有效，但是 Robert S.'更简洁，所以我接受了。

【参考方案2】：

由于 C# 中的字符串以 Unicode（而不是 UTF-8）存储，因此以下可能会解决问题：

MailItem.Body.Replace("\u200B", "");

【参考方案3】：

使用 System.Web.HttpUtility.htmlDecode(string); 很简单。

【讨论】：

根据我的经验，这不会删除所有不可见的空白字符，因为我仍然留下一个长度为 1 的字符串，它看起来是空的，并且没有跳闸string.IsNullOrWhitespace