String.replaceAll()পদ্ধতি ব্যবহার করা এবং চিঠিগুলি একে একে প্রতিস্থাপন করা ছাড়াও অ্যাকসেন্টগুলি থেকে মুক্তি পাওয়ার জন্য এবং সেই চিঠিগুলিকে নিয়মিত করার জন্য এর চেয়ে ভাল উপায় কী? উদাহরণ:
ইনপুট: orčpžsíáýd
আউটপুট: orcpzsiayd
রাশিয়ান বর্ণমালা বা চাইনিজ বর্ণের মতো উচ্চারণ সহ সমস্ত অক্ষর অন্তর্ভুক্ত করার দরকার নেই।
উত্তর:
আপনার java.text.Normalizerজন্য এটি পরিচালনা করতে ব্যবহার করুন ।
string = Normalizer.normalize(string, Normalizer.Form.NFD);
// or Normalizer.Form.NFKD for a more "compatable" deconstruction এটি উচ্চারণের চিহ্নগুলিকে সমস্ত অক্ষর থেকে আলাদা করবে। তারপরে, আপনাকে কেবল প্রতিটি অক্ষর হ'ল চিঠির তুলনায় তুলনা করতে হবে এবং যা নয় তা বাইরে ফেলে দিতে হবে।
string = string.replaceAll("[^\\p{ASCII}]", "");যদি আপনার পাঠ্যটি ইউনিকোডে থাকে তবে আপনার পরিবর্তে এটি ব্যবহার করা উচিত:
string = string.replaceAll("\\p{M}", "");ইউনিকোডের জন্য, \\P{M}বেস গ্লাইফ এবং \\p{M}(ছোট হাতের সাথে) প্রতিটি অ্যাকসেন্টের সাথে মেলে।
পয়েন্টারটির জন্য গ্যারেট উইলসনকে ধন্যবাদ এবং দুর্দান্ত ইউনিকোড গাইডের জন্য নিয়মিত- এক্সপ্রেসনস.ইনফো ।
string.replaceAll("\\p{M}", "")। আরও তথ্যের জন্য নিয়মিত- এক্সপ্রেসন.ইন.ফো / ইউনিকোড । Html দেখুন ।
২০১১ সালের হিসাবে আপনি অ্যাপাচি কমন্স স্ট্রিংইটিলস.স্ট্রিপএ্যাকসেন্টস (ইনপুট) ব্যবহার করতে পারেন (৩.০ থেকে):
String input = StringUtils.stripAccents("Tĥïŝ ĩš â fůňķŷ Šťŕĭńġ");
System.out.println(input);
// Prints "This is a funky String"বিঃদ্রঃ:
গৃহীত উত্তর (এরিক রবার্টসনের) Ø বা for এর জন্য কাজ করে না Ł অ্যাপাচি কমন্স 3.5 কোনওটির জন্যই কাজ করে না, তবে এটি Ł এর জন্য কাজ করে Ł উইকিপিডিয়া নিবন্ধটি Ø এর জন্য পড়ার পরে , আমি নিশ্চিত নই যে এটি "ও" দিয়ে প্রতিস্থাপন করা উচিত: এটি নরওয়েজিয়ান এবং ডেনিশ ভাষায় একটি পৃথক চিঠি, "জেড" এর পরে বর্ণমালা হয়েছে। এটি "স্ট্রিপ অ্যাকসেন্টস" পদ্ধতির সীমাবদ্ধতার একটি ভাল উদাহরণ।
@ ভার্গো 47 দ্বারা সমাধানটি খুব দ্রুত তবে আনুমানিক। গৃহীত উত্তরটি নরমালাইজার এবং একটি নিয়মিত অভিব্যক্তি ব্যবহার করে। আমি ভাবলাম যে নিয়মিত প্রকাশের তুলনায় নরমালাইজার সময়টির কোন অংশটি নিয়েছিল, যেহেতু সমস্ত নন-এএসসিআইআই অক্ষরগুলি সরানো কোনও রেজেক্স ছাড়াই করা যেতে পারে:
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();
}
}চর [[] লেখার মাধ্যমে এবং চ্যারআরিকে () না কল করে ছোট ছোট অতিরিক্ত স্পিড-আপগুলি পাওয়া যায়, যদিও আমি নিশ্চিত নই যে কোডের স্পষ্টতা হ্রাস এটিকে যোগ্যতা দেয়:
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);
}এই প্রকরণটির নরমালাইজার ব্যবহার করা একের যথার্থতা এবং একটি টেবিল ব্যবহারের সাথে কিছু গতির সুবিধা রয়েছে। আমার মেশিনে, এটি গৃহীত উত্তরের চেয়ে প্রায় 4x গতিযুক্ত, এবং 6 ভার্সন থেকে 7x ধীর যে @ ভার্জ 47৪ এর (স্বীকৃত উত্তরটি আমার মেশিনে @ ভার্জ 4747 এর চেয়ে ২xx ধীর)।
outবৈধ অক্ষরের সংখ্যাটি jস্ট্রিং অবজেক্ট তৈরির আগে ব্যবহার করতে গিয়ে তাকে অবশ্যই পুনরায় আকার দিতে হবে।
flattenToAsciiফলাফল "আ .." তৈরি করে যেখানে বিন্দুগুলি \ u0000 উপস্থাপন করে। এটা ভাল না। প্রথম প্রশ্নটি হল - "অস্বাভাবিক" অক্ষরগুলি কীভাবে উপস্থাপন করবেন? আসুন বলি এটি হবে?, বা আমরা সেখানে NULL চর ছেড়ে যেতে পারি, তবে যে কোনও ক্ষেত্রে আমাদের এগুলির সঠিক অবস্থানটি সংরক্ষণ করতে হবে (ঠিক যেমন রেজেক্স সলিউশন করে)। এর জন্য যদি লুপের মধ্যে অবশ্যই এমন কিছু হওয়া উচিত: if (c <= '\u007F') out[j++] = c; else if (Character.isLetter(c)) out[j++] = '?';এটি এটি কিছুটা কমিয়ে দেবে, তবে এটি অবশ্যই প্রথমে সঠিক হওয়া উচিত। ;-)
isLetter) সঠিক নয়, তবে আমি এর চেয়ে ভাল খুঁজে পাইনি। আমি ইউনিকোড বিশেষজ্ঞ নই, তাই মূল চরিত্রের পরিবর্তে একক চরিত্রের শ্রেণিটি কীভাবে আরও ভালভাবে চিহ্নিত করা যায় তা আমি জানি না। বেশিরভাগ অ্যাপ্লিকেশন / ব্যবহারের জন্য চিঠিগুলি ঠিক আছে।
সম্পাদনা: আপনি যদি জাভা <6 এর সাথে আটকে না থাকেন এবং গতি সমালোচনা না করে এবং / অথবা অনুবাদ টেবিলটি খুব সীমাবদ্ধ থাকে তবে ডেভিডের উত্তরটি ব্যবহার করুন। পয়েন্টটি Normalizerলুপের ভিতরে অনুবাদ টেবিলের পরিবর্তে (জাভা 6 তে প্রবর্তিত) ব্যবহার করা হয়।
যদিও এটি "নিখুঁত" সমাধান নয়, আপনি যখন পরিসীমাটি জানেন (এটি আমাদের ক্ষেত্রে ল্যাটিন ১,২), জাভা before এর আগে কাজ করেছেন (যদিও আসল সমস্যা নয়) এবং সর্বাধিক প্রস্তাবিত সংস্করণটির তুলনায় অনেক দ্রুত (সম্ভবত বা হতে পারে) কোনও সমস্যা হবে না):
/**
* 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);
}আমার এইচডাব্লুতে 32 বিবিডি জেডিকে দিয়ে পরীক্ষাগুলি দেখায় যে এটি àèéľšťč89FDČ থেকে aeelstc89FDC তে রূপান্তর সম্পাদন করে 100 মিলিয়ন ডলারে যখন নর্মালাইজার wayষধটি 3.7s (37x ধীর) হয়। আপনার প্রয়োজনীয়তা যদি পারফরম্যান্সের কাছাকাছি হয় এবং আপনি ইনপুট পরিসরটি জানেন তবে এটি আপনার পক্ষে হতে পারে।
উপভোগ করুন :-)
System.out.println(Normalizer.normalize("àèé", Normalizer.Form.NFD).replaceAll("\\p{InCombiningDiacriticalMarks}+", ""));আমার জন্য কাজ। উপরের স্নিপেটের আউটপুট "আইআই" দেয় যা আমি যা চেয়েছিলাম তা কিন্তু
System.out.println(Normalizer.normalize("àèé", Normalizer.Form.NFD).replaceAll("[^\\p{ASCII}]", ""));কোন প্রতিস্থাপন করেনি।
ভাষার উপর নির্ভর করে, সেগুলি উচ্চারণ হিসাবে বিবেচনা করা যাবে না (যা বর্ণের শব্দ পরিবর্তন করে), তবে বর্ণনামূলক চিহ্নগুলি
https://en.wikipedia.org/wiki/Diacritic#Languages_with_letters_containing_diacritics
"বসনিয়ান এবং ক্রোয়েশিয়ান ভাষায় č, ć, đ, š এবং the চিহ্ন রয়েছে, যা পৃথক বর্ণ হিসাবে বিবেচিত হয় এবং অভিধান এবং অন্যান্য প্রসঙ্গে যেমন তালিকাভুক্ত হয় যেখানে বর্ণমালা অনুসারে শব্দগুলি তালিকাভুক্ত করা হয়।"
এগুলি সরিয়ে ফেলা হতে পারে অন্তর্নিহিতভাবে শব্দের অর্থ পরিবর্তন করা, বা বর্ণগুলি সম্পূর্ণ আলাদা করে দেওয়া।
আমি স্ট্রিংস সমতা পরীক্ষার সাথে সম্পর্কিত একই সমস্যার মুখোমুখি হয়েছি, তুলনা করার স্ট্রিংগুলির একটিতে ASCII অক্ষর কোড 128-255 রয়েছে ।
যেমন, অ-ব্রেকিং স্পেস - [হেক্স - এ0] স্পেস [হেক্স - 20]। এইচটিএমএলের মাধ্যমে নন-ব্রেকিং স্পেস দেখাতে। আমি নিম্নলিখিত ব্যবহার করেছি
spacing entities। তাদের চরিত্র এবং এর বাইটগুলি এর মতো&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()));বাইটস আউটপুট:
এস 1: [77, 121,
3283, 97, 109, 112, 108, 10132, 83, 112, 97, 99, 10132,, 68, 97, 116, 97] এস 2: [77, 121-30, -128, -125,, 83, 97, 109, 112, 108, 101,-30, -128, -12583, 112, 97, 99, 101-30, -128, -125, 68, 97, 116, 97]
বিভিন্ন স্পেস এবং তাদের বাইট-কোডগুলির জন্য নীচের কোডগুলি ব্যবহার করুন: 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();
}Java জাভার জন্য ইউনিকোড স্ট্রিংয়ের এএসসিআইআই লিখিত লিপি। unidecode
String initials = Unidecode.decode( s2 );➩ ব্যবহার Guava: গুগল কোর Libraries for Java।
String replaceFrom = CharMatcher.WHITESPACE.replaceFrom( s2, " " );স্পেসের জন্য ইউআরএল এনকোডের জন্য পেয়ারা লাইব্রেরি ব্যবহার করুন।
String encodedString = UrlEscapers.urlFragmentEscaper().escape(inputString);Some কারওর String.replaceAll()সাথে ব্যবহৃত এই সমস্যাটি কাটিয়ে উঠতে 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(" ", " ");➩ ব্যবহার java.text.Normalizer.Form । এই এনাম ইউনিকোড স্ট্যান্ডার্ড এনেেক্স # 15 - ইউনিকোড নরমালাইজেশন ফর্ম এবং এগুলি অ্যাক্সেসের দুটি পদ্ধতিতে বর্ণিত চারটি ইউনিকোড নরমালাইজেশন ফর্মগুলির ধ্রুবক সরবরাহ করে।
s2 = Normalizer.normalize(s2, Normalizer.Form.NFKC);স্ট্রিং এবং আউটপুটগুলির বিভিন্ন পদ্ধতির যেমন ➩ ইউনিিডকোড, নরমালাইজার, স্ট্রিংআপসগুলি পরীক্ষা করে ।
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 );Unidecode ব্যবহার করে best choice, আমার চূড়ান্ত কোড নীচে প্রদর্শিত।
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");
}
}আমি জুনিডিকোডের পরামর্শ দিই । এটি কেবল 'Ł' এবং 'Ø' পরিচালনা করবে না, তবে এটি অন্যান্য বর্ণমালা, যেমন চীনা, থেকে লাতিন বর্ণমালায় প্রতিলিপি করার জন্যও ভাল কাজ করে।
@ ডেভিড কনরাড সমাধানটি আমি নরমালাইজারটি ব্যবহার করার দ্রুত চেষ্টা করেছি তবে এতে একটি বাগ রয়েছে। এটি মূলত অক্ষরগুলিকে স্ট্রিপগুলি দেয় যা অ্যাকসেন্ট নয়, উদাহরণস্বরূপ চীনা অক্ষর এবং other এর মতো অন্যান্য অক্ষরগুলি সমস্ত ছাঁটাই হয়। আমরা যে অক্ষরগুলি ফেলাতে চাই তা হ'ল ফাঁক চিহ্ন, অক্ষরগুলি যা চূড়ান্ত স্ট্রিংয়ে অতিরিক্ত প্রস্থ নেয় না। এই শূন্য প্রস্থের অক্ষরগুলি মূলত অন্য কোনও অক্ষরে মিলিত হয়। আপনি যদি এগুলিকে একটি চরিত্র হিসাবে বিচ্ছিন্ন দেখতে পান, উদাহরণস্বরূপ এই `এর মতো, আমার ধারণা এটি স্থানের অক্ষরের সাথে একত্রিত।
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://stackoverflow.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);
}আপনার কোনও লাইব্রেরি না থাকলে রেজেক্স এবং নরমালাইজার ব্যবহারের অন্যতম সেরা উপায় হ'ল:
public String flattenToAscii(String s) {
if(s == null || s.trim().length() == 0)
return "";
return Normalizer.normalize(s, Normalizer.Form.NFD).replaceAll("[\u0300-\u036F]", "");
}এটি রিপ্লেসএল ("[^ \ p {ASCII}]", "")) এর চেয়ে আরও দক্ষ এবং যদি আপনার ডায়ায়্রিটিক্সের প্রয়োজন না হয় (ঠিক আপনার উদাহরণের মতো)।
অন্যথায়, আপনাকে p {ASCII} প্যাটার্নটি ব্যবহার করতে হবে।
শুভেচ্ছা।
আমি মনে করি সেরা সমাধানটি প্রতিটি চরকে এইচএক্সে রূপান্তরিত করে অন্য একটি এইচএক্সের সাথে এটি প্রতিস্থাপন করছে। এর কারণ এখানে 2 টি ইউনিকোড টাইপিং রয়েছে:
Composite Unicode
Precomposed Unicodeউদাহরণস্বরূপ, কম্পোজিট ইউনিকোড দ্বারা রচিত "Ồ" প্রিকম্পোজড ইউনিকোড দ্বারা লিখিত "Ồ" থেকে পৃথক। আপনি আমার নমুনা অক্ষর অনুলিপি করতে পারেন এবং পার্থক্যটি দেখতে তাদের রূপান্তর করতে পারেন।
In Composite Unicode, "Ồ" is combined from 2 char: Ô (U+00d4) and ̀ (U+0300)
In Precomposed Unicode, "Ồ" is single char (U+1ED2)আমি কিছু ব্যাঙ্কের জন্য তথ্যটি কোর-ব্যাঙ্কে প্রেরণের আগে (সাধারণত ইউনিকোড সমর্থন করে না) রূপান্তর করার জন্য এই বৈশিষ্ট্যটি তৈরি করেছি এবং শেষ ব্যবহারকারীরা ডেটা ইনপুট করার জন্য একাধিক ইউনিকোড টাইপিং ব্যবহার করার সময় এই সমস্যার মুখোমুখি হয়েছিল। সুতরাং আমি মনে করি, এইচএক্সে রূপান্তর করা এবং এটি প্রতিস্থাপন করা সবচেয়ে নির্ভরযোগ্য উপায়।
যদি কেউ কোটলিনে এটি করার জন্য লড়াই করছে, এই কোডটি কবজির মতো কাজ করে। অসঙ্গতি এড়াতে আমি। টুঅপারকেস এবং ট্রিম () ব্যবহার করি। তারপরে আমি এই ফাংশনটি ফেলেছি:
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()}
এই মজাটি কোডটি এইভাবে ব্যবহার করতে:
var str: String
str = editText.text.toString() //get the text from EditText
str = str.toUpperCase().trim()
str = stripAccents(str) //call the function