Eu enfrentei o mesmo problema relacionado à verificação de igualdade de Strings. Uma das strings de comparação possui o
código de caracteres ASCII 128-255 .
ou seja, Espaço sem quebra - [Hex - A0] Espaço [Hex - 20]. Para mostrar espaço sem interrupção sobre HTML. Eu usei o seguinte spacing entities
. Seu caráter e seus bytes são como&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()));
Saída em bytes:
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]
Use o código abaixo para diferentes espaços e seus códigos de bytes: 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();
}
Transl Transliterações ASCII da cadeia Unicode para Java. unidecode
String initials = Unidecode.decode( s2 );
➩ usando Guava
: Google Core Libraries for Java
.
String replaceFrom = CharMatcher.WHITESPACE.replaceFrom( s2, " " );
Para codificação de URL para o espaço, use Guava laibrary.
String encodedString = UrlEscapers.urlFragmentEscaper().escape(inputString);
➩ Para superar esse problema usado String.replaceAll()
com alguns 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(" ", " ");
➩ Usando java.text.Normalizer.Form . Essa enumeração fornece constantes dos quatro formulários de normalização Unicode descritos no Anexo Padrão 15 do Unicode - Formulários de Normalização Unicode e dois métodos para acessá-los.
s2 = Normalizer.normalize(s2, Normalizer.Form.NFKC);
Testando String e saídas em diferentes abordagens, como id 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 );
Usando Unidecode é o best choice
, Meu código final mostrado abaixo.
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");
}
}