Java 去除utf-8型別的空格的方法
阿新 • • 發佈：2019-01-06
問題產生
最近遇到一個這樣的問題，在生成的報文中，某個欄位資訊後面有一個空格，在程式碼中trim()下，它仍然存在。到底什麼原因呢？
問題的根源
經過多番查證，是由於utf-8中的特俗字元造成的。
問題的根源，在於UTF-8這種編碼裡面，存在一個特殊的字元，其編碼是“0xC2 0xA0”，轉換成字元的時候，表現為一個空格，跟一般的半形空格（ASCII 0x20）一樣，唯一的不同是它的寬度不會被壓縮，因此比較多的被用於網頁排版（如首行縮排之類）。而其他的編碼方式如GB2312、Unicode之類並沒有這樣的字元，因此如果簡單地進行編碼轉換，生成地GB2312/Unocode字串中，這個字元就會被替換成為問號（ASCII ox3F）。
使用UTF-8進行HTMLDecode的時候，對於語句開頭的（ ），就會被自動轉換成為這個特殊的空格，可能是判斷為放在開頭的空格，一定是用來排版的。在轉換為其他編碼之前，這個特殊的空格受到的待遇與普通的半形空格是一致的，甚至也會被trim()去掉。
因此，碰到這個問題的原因有兩種：一種是在UTF-8編碼下進行了轉換，產生了這個字元；還有一種就是網頁中直接採用了這個字元進行排版。
問題解決之法
C#
byte[] space = new byte[]{0xc2,0xa0}; string UTFSpace = Encoding.GetEncoding("UTF-8").GetString(space); HtmlStr = HtmlStr.Replace(UTFSpace," ");
Java:
byte bytes[] = {(byte) 0xC2,(byte) 0xA0};
String UTFSpace = new String(bytes,"utf-8");
html = html.replaceAll(UTFSpace, " ");