Java 去除utf-8类型的空格的方法

问题产生

最近遇到一个这样的问题，在生成的报文中，某个字段信息后面有一个空格，在代码中trim()下，它仍然存在。到底什么原因呢？

问题的根源

　　经过多番查证，是由于utf-8中的特俗字符造成的。

　　问题的根源，在于UTF-8这种编码里面，存在一个特殊的字符，其编码是“0xC2 0xA0”，转换成字符的时候，表现为一个空格，跟一般的半角空格（ASCII 0x20）一样，唯一的不同是它的宽度不会被压缩，因此比较多的被用于网页排版（如首行缩进之类）。而其他的编码方式如GB2312、Unicode之类并没有这样的字符，因此如果简单地进行编码转换，生成地GB2312/Unocode字符串中，这个字符就会被替换成为问号（ASCII ox3F）。

　　使用UTF-8进行HTMLDecode的时候，对于语句开头的（ ），就会被自动转换成为这个特殊的空格，可能是判断为放在开头的空格，一定是用来排版的。在转换为其他编码之前，这个特殊的空格受到的待遇与普通的半角空格是一致的，甚至也会被trim()去掉。

因此，碰到这个问题的原因有两种：一种是在UTF-8编码下进行了转换，产生了这个字符；还有一种就是网页中直接采用了这个字符进行排版。

问题解决之法

C#代码如下：

       byte[] space = new byte[]{0xc2,0xa0};      
　　　　string UTFSpace = Encoding.GetEncoding("UTF-8").GetString(space);      
　　　　HtmlStr = HtmlStr.Replace(UTFSpace,"&nbsp;");

Java版：

         byte bytes[] = {(byte) 0xC2,(byte) 0xA0};

         String UTFSpace = new String(bytes,"utf-8");

         html = html.replaceAll(UTFSpace, "&nbsp;");

注意：需要强调的是，替换之前不能进行编码转换，一定要继续使用UTF-8编码。如果已经转换成其他编码，那么错误就已经不可逆转了。没有办法再区分这个错误的问号和正常的问号之间的差别了。

巴特西

Java 去除utf-8类型的空格的方法

最新文章

热门文章