Supongamos que ha cargado un archivo de texto en una cadena y desea convertir todos los escapes Unicode en caracteres Unicode reales dentro de la cadena.¿Cómo convierto las secuencias de escape Unicode a caracteres Unicode en una cadena .NET?
Ejemplo:
"La siguiente es la mitad superior de un carácter integral en Unicode '\ u2320', y esta es la mitad inferior '\ U2321'"
La respuesta es simple y funciona bien con cadenas de hasta varios miles de caracteres como mínimo.
Ejemplo 1:
Regex rx = new Regex(@"\\[uU]([0-9A-F]{4})");
result = rx.Replace(result, match => ((char) Int32.Parse(match.Value.Substring(2), NumberStyles.HexNumber)).ToString());
Ejemplo 2:
Regex rx = new Regex(@"\\[uU]([0-9A-F]{4})");
result = rx.Replace(result, delegate (Match match) { return ((char) Int32.Parse(match.Value.Substring(2), NumberStyles.HexNumber)).ToString(); });
El primer ejemplo muestra la sustitución de ser hecho utilizando una expresión lambda (C# 3.0) y la segunda utiliza un delegado que debe trabajar con C# 2.0.
para romper lo que está pasando aquí, en primer lugar crear una expresión regular:
new Regex(@"\\[uU]([0-9A-F]{4})");
entonces llamamos Reemplazar() con el 'resultado' de cuerda y un método anónimo (expresión lambda en el primer ejemplo y el delegado en el segundo - el delegado también podría ser un método regular) que convierte cada expresión regular que se encuentra en la cadena.
el Unicode de escape se procesa de esta manera:
((char) Int32.Parse(match.Value.Substring(2), NumberStyles.HexNumber)).ToString(); });
obtener la cadena que representa el número de parte de la fuga (saltar los dos primeros caracteres).
match.Value.Substring(2)
analizar dicha cadena usando Int32.Parse() que toma la cuerda y el formato de número que la función Parse() debe esperar que en este caso es un número hexadecimal.
NumberStyles.HexNumber
Luego emitir el número resultante a un carácter Unicode:
(char)
Y finalmente llamamos ToString() en el carácter Unicode que nos da la representación de cadena que es el valor que se pasa de nuevo a reemplazar():
.ToString()
Nota: en vez de agarrar el texto que se convierte con una subcadena llamada que podría utilizar el parámetro de GroupCollection partido, y una subexpresión en la expresión regular para capturar solo el número ('2320'), pero eso es más complicado y menos legible.
refactorizado un poco más:
Regex regex = new Regex (@"\\U([0-9A-F]{4})", RegexOptions.IgnoreCase);
string line = "...";
line = regex.Replace (line, match => ((char)int.Parse (match.Groups[1].Value,
NumberStyles.HexNumber)).ToString());
creo que se agrega mejor las letras pequeñas de la expresión regular. Funcionó mejor para mí.
Regex rx = new Regex(@"\\[uU]([0-9A-Fa-f]{4})");
result = rx.Replace(result, match => ((char) Int32.Parse(match.Value.Substring(2), NumberStyles.HexNumber)).ToString());
Este es el equivalente VB.NET:
Dim rx As New RegularExpressions.Regex("\\[uU]([0-9A-Fa-f]{4})")
result = rx.Replace(result, Function(match) CChar(ChrW(Int32.Parse(match.Value.Substring(2), Globalization.NumberStyles.HexNumber))).ToString())
\ u y \ U deben ser tratados de manera diferente - \ u especifica 4 dígitos hexadecimales (16 bits), donde \ U especifica 8 (32 bits): un punto de código Unicode tiene 21 bits de longitud. Además, debe usar el método char.ConvertFromUtf32() en lugar de un molde. –
He visto \ uy \ U documentado ambas formas, aunque la especificación actual del lenguaje C# indica 4 bytes hexadecimales para \ uy 8 bytes hexadecimales para \ U. En cualquier caso, \ U con solo 4 dígitos hexadecimales se procesa correctamente. Tengo que comprobar si ConvertFromUtf32() es funcionalmente diferente de un elenco. –
Sí, leí la opción ignorar caso en la segunda parte de la publicación después de darme cuenta. Gracias de todos modos. :) – Echilon