Kästchen in Java herausfiltern

[sina.die]

Hallo,

ich hab ein Problem mit Texten, die so ein weißes Kästchen enthalten. Ich habe eine Anwendung, die einen HTML-Editor benutzt. An dessen Sourcen komme ich nicht ran. Der Editor liefert bei mir in bestimmten Fällen einen String ab, der so ein weißes Kästchen enthält, da er wohl irgendein Zeichen enthält, welches nicht aufgelöst werden kann.
Das Kästchen erzeugt bei mir in der weiteren Verarbeitung Probleme. Wie bekomme ich denn diese blöden Zeichen erstmal ganz aus meinem String raus? Mit ganz stumpf

text.replaceAll(regexKasten, "
")

geht's leider nicht

 

[maki]

Dieses "Kästchen" ist nicht ein Zeichen, sondern u.U. verschiedene.
Würde sagend ass das encoding nicht stimmt, welches Encoding verwendet der HTML Editor?

 

[sina.die]

"Eigentlich" wird überall UTF-8 verwendet.
Das Zeichen kommt aber durch Copy/Paste durch PowerPoint rein und wird schon im Editor selbst falsch (also als Kästchen) angezeigt. Ich bin noch nicht ganz dahintergekommen, was es genau ist, aber ich glaube es hat irgendwas mit Zeilenumbrüchen zu tun. :-(

 

[sina.die]

Also, ich hab jetzt erstmal ne Lösung für mich gefunden. Bitte mal aufschreien, wenn das evtl irgendwo ganz böse ausgehen kann.

Ich suche mir halt erstmal den richtigen char

Character kasten = null;
        for (int i = 0; i < array.length; i++) {
            
            Character c = new Character(content.charAt(i));
            
            if(c.hashCode()==11&&Character.getType(c.charValue())==15){
                kasten = new Character(content.charAt(i));
                break;
            }
        }

und schmeiße den dann halt mit replace raus. Scheinbar betrifft's nur den einen.

 

[JohannisderKaeufer]

c.hashCode()==11

kann ich jetzt irgendwie nicht nachvollziehen. Wo ist den festgelegt das dieser Character wirklich diesen hashCode bekommt.

Character.getType() liefert eine Konstante zurück. Es ist vielleicht nachvollziehbarer, wenn man auf diese Konstante vergleicht.
(COMBINING_SPACING_MARK, CONNECTOR_PUNCTUATION, CONTROL, CURRENCY_SYMBOL, DASH_PUNCTUATION, DECIMAL_DIGIT_NUMBER, ENCLOSING_MARK, END_PUNCTUATION, FINAL_QUOTE_PUNCTUATION, FORMAT, INITIAL_QUOTE_PUNCTUATION, LETTER_NUMBER, LINE_SEPARATOR, LOWERCASE_LETTER, MATH_SYMBOL, MODIFIER_LETTER, MODIFIER_SYMBOL, NON_SPACING_MARK, OTHER_LETTER, OTHER_NUMBER, OTHER_PUNCTUATION, OTHER_SYMBOL, PARAGRAPH_SEPARATOR, PRIVATE_USE, SPACE_SEPARATOR, START_PUNCTUATION, SURROGATE, TITLECASE_LETTER, UNASSIGNED, UPPERCASE_LETTER)

also z.B.

Character.getType() ==Character.LINE_SEPARATOR

Wofür die 15 steht ist mir unbekannt.

Handelt es sich um einen einzigen UTF-8 Character, bspl. mit der nummer 9, sollte man das auch als regexp in einem String.replaceAll angeben, als

String.replaceAll("\u0009","");

 

[sina.die]

c.hashCode()==11

kann ich jetzt irgendwie nicht nachvollziehen. Wo ist den festgelegt das dieser Character wirklich diesen hashCode bekommt.
[/code]

Naja, ich hab mir einfach mal Querbeet einige Daten von dem String anzeigen lassen. Und die Kästchen-Character haben immer die 11 bekommen. Genau das gleiche ist es mit dem Typen. Aber da ist der Typ nicht nur für die Kästchen benutzt worden, sondern auch für andere Character. Darum habe ich es halt nur zusätzlich benutzt.

Handelt es sich um einen einzigen UTF-8 Character, bspl. mit der nummer 9, sollte man das auch als regexp in einem String.replaceAll angeben, als

String.replaceAll("\u0009","");

Nur wie bekomme ich das heraus? Kann ich mir das irgendwie ausgeben lassen? Ich hab ja erstmal nur nen char, der auch im Debug-Modus, wie ein Kästchen aussieht.

 

[JohannisderKaeufer]

z.B. so

char gesuchterCharacter = ...;
Integer charAsInt = (int) gesuchterCharacter;
String asHex = Character.toHexString(charAsInt);

Das liefert den Buchstaben in Hexadezimaler Schreibweise.
Der Reguläre Ausdruck ist dann \u+asHex, wobei zu beachten ist, dass man führende Nullen hinzufügen muss, sofern das asHex nicht schon vierstellig ist.

 

[sina.die]

Ahhhhha...
scheinbar bekommt man den Hashcode beim Casten von char zu int geliefert. Insofern ist es eigentlich das gleiche, ob ich auf den Hashcode prüfe, oder das noch weiter umbaue. ;-)

Ich hatte gerade mal in beiden Fällen eine 11 und hab es dann mal für den gesamten Text überprüft. Ist bei mir bei allen Chars das gleiche.

Wieder was gelernt ;-)