Apache POI 异常空白（已解决：\u00A0 不间断空格）

Posted 2023-03-15

【中文标题】Apache POI 异常空白（已解决：\\u00A0 不间断空格）

【英文标题】：Apache POI Anomalous Whitespace (Resolved: \u00A0 non-breaking space)Apache POI 异常空白（已解决：\u00A0 不间断空格）

【发布时间】：2015-08-18 06:49:55

【问题描述】：

编辑：已解决的答案：是 00a0 不间断空间，而不是 c0a0 不间断空间。

使用 Apache POI 将 docx 转换为纯文本，然后将纯文本读入 Java 并尝试解析后，我遇到了以下问题。

输出：

" "
first characterequals SPACE OR TAB 
false
[B@5e481248
[B@66d3c617
ARRAYTOSTRING SPACE: [32]
ARRAYTOSTRING ?????: [-62, -96]

代码：

System.out.println("\t\"" + line.substring(0,1) + "\"\n\tfirst characterequals SPACE OR TAB \n\t" + (line.substring(0,1).equals(" ") 
                        || line.substring(0,1).equals("\t") ));
System.out.println(line.substring(0,1).getBytes());
System.out.println(" ".getBytes());
System.out.println("ARRAYTOSTRING SPACE: " + Arrays.toString(" ".getBytes()));
System.out.println("ARRAYTOSTRING ?????: " + Arrays.toString(line.substring(0,1).getBytes()));

String.trim() 并没有摆脱它 String.replaceAll("\s" , "") 没有摆脱它

我正在尝试解析一个巨大的材料文档，这变成了一个主要障碍。我不知道发生了什么或如何与之交互，有人能解释一下这里发生了什么吗？

【问题讨论】：

您确实应该至少添加一个提取代码的 sn-p。

我不确定提取代码脱离上下文是否有意义，它只是逐行提取，并且此调试 sn-p 正在复制循环检查以使其可见实际正在比较的内容。

【参考方案1】：

这转换为具有十六进制代码c2 a0 的字节，根据this answer，这是一个UTF-8 编码的不间断空格。请注意，这 不是 真正的空格，\s 不会匹配它。

【讨论】：

1) 是否有一个易于引用的源/字符集将显示为空白但不匹配（或正则表达式以包含这些） 2) 此字符是否有转义序列或任何简单的可以配得上吗？

我使用了amp-what.com/unicode/search/space（尽管它包含很多其他结果）。转义序列应该是（不出所料）\uc2a0。

我是否可能遇到任何其他虚假空白，或者这是异常值

再次查看 amp-what 页面，它列出了一些。值得注意的违规者是 \u200B、零宽度空白以及 \u2002 到 \u200a（各种空白宽度）和 \u200F（这是一个狭窄的不间断空格）。

非常感谢，这非常有帮助。

【参考方案2】：

这对我有用：

 String valor = org.apache.commons.lang3.StringUtils.normalizeSpace(java.text.Normalizer.normalize(valor, java.text.Normalizer.Form.NFD));