制御文字やサロゲートペア文字を置換する

かなり限定された子ネタですが、メモ。
文字列 String 中の以下の 文字 (char) をまとめて一括で消します。

• 制御文字 \u0000 〜 \u001f + \u007f 〜 \u009f
• サロゲートペア文字

コード

java8 標準の Character と、Google Guava ライブラリの CharMatcher を使います。

• 正規表現は便利ですが、遅いので今回はやめ

• １サロゲートペア文字は 下位サロゲートコード と 上位サロゲートコード からなるので、２文字に置換されます

import org.junit.Test
import kotlin.test.assertEquals
import com.google.common.base.CharMatcher

// 制御文字 + サロゲートペア文字 にまとめてヒットする CharMatcher を定義します.
val BAD_CHARS: CharMatcher = CharMatcher.javaIsoControl()  // 制御文字
    .or(CharMatcher.forPredicate { Character.isSurrogate(it!!.toChar()) })  // サロゲート文字

class CharMatcherTest {
    // 0x0a = LF（改行）
    @Test
    fun test_isoControl_u000a() {
        assertEquals(
            "こんにちは 世界",
            BAD_CHARS.replaceFrom("こんにちは\n世界", " ")
        )
    }

    // 0x0d = CR（復帰） &  0x0a = LF（改行）
    @Test
    fun test_isoControl_u000d_u000a() {
        assertEquals(
            "こんにちは  世界",
            BAD_CHARS.replaceFrom("こんにちは\r\n世界", " ")
        )
    }

    // サロゲートペア文字
    @Test
    fun test_surrogatePair() {
        assertEquals(
            "  -  -  ",
            BAD_CHARS.replaceFrom("𠀋-𡈽-𡌛", " ")
        )
    }
}

kotlin ですいませんが java8 に読み替えて下さいい〜