Java正则清洗乱码的核心是白名单优先：保留ASCII可见字符、汉字、日文、全角标点及常用空白，再补充清除BOM、替换符、控制符、零宽符、孤立代理对等高频坏字符。
Java 中用正则表达式清洗乱码和坏字符，核心思路是：**识别并替换/删除非预期的 Unicode 字符范围（如控制字符、私有区、未分配码点、混合编码残留等），保留常见可读文字、数字、标点和空白**。关键不在“匹配乱码”，而在“安全保留合法字符”。
明确要保留的“干净字符”范围
乱码没有统一模式（可能是截断的 UTF-8 字节、GBK 误解 UTF-8、BOM 残留、不可见控制符等），直接匹配“所有坏字符”极易漏判或误杀。更可靠的做法是定义白名单：
-
中文汉字：
\u4e00-\u9fff（基本汉字） +\u3400-\u4dbf（扩展 A） +\u20000-\u2a6df（扩展 B，需注意 Java 早期版本对增补字符支持有限） -
英文字母、数字、常用符号：ASCII 可见字符
[\x20-\x7E]（空格到 ~） -
常见空白符：
\s（含空格、制表、换行等），但注意有些控制符（如 u0000）也属于\s，需单独排除 -
全角标点、平假名、片假名等（按需添加）：如
\u3000-\u303f\u3040-\u309f\u30a0-\u30ff
过滤掉典型坏字符（黑名单补充）
白名单之外，还需主动清理几类高频坏字符：
Alibabacloud Sdk Client Initialization For Java
下载
在 Java 中初始化和管理阿里云 SDK客户端。包括单例模式、线程安全、endpoint 与 region 配置、VPC 终端节点、同步与异步等。
-
ASCII 控制字符（除 Tab、LF、CR）：用
[\x00-\x08\x0b\x0c\x0e-\x1f\x7f]匹配（跳过\x09、\x0a、\x0d） -
UTF-8 无效字节序列残留（如 ）：Unicode 替换字符
\ufffd直接替换 -
零宽字符、BOM、私有使用区（PUA）中非常规字符：如
\ufeff（BOM）、\u200b-\u200f\u202a-\u202e（零宽控制符）、\ue000-\uf8ff（PUA 基本区，慎用，部分字体图标在此） -
超出基本多文种平面（BMP）的孤立代理对：如单独的高代理
\ud800-\udbff或低代理\udc00-\udfff，可用[\ud800-\udbff\udc00-\udfff]检测并移除（注意：合法的增补字符是成对出现的，单个代理即为损坏）
实用清洗代码示例
以下是一个兼顾安全性与实用性的清洗方法：
public static String cleanText(String input) {
if (input == null) return null;
<pre class="brush:php;toolbar:false;">// 1. 移除 BOM 和常见替换符
String cleaned = input.replace("uFEFF", "") // BOM
.replace("uFFFD", ""); //
// 2. 移除 ASCII 控制符（保留
）
cleaned = cleaned.replaceAll("[\x00-\x08\x0b\x0c\x0e-\x1f\x7f]", "");
// 3. 移除零宽控制符、方向控制符
cleaned = cleaned.replaceAll("[\u200b-\u200f\u202a-\u202e]", "");
// 4. 移除孤立代理字符（损坏的 UTF-16）
cleaned = cleaned.replaceAll("[\ud800-\udbff\udc00-\udfff]", "");
// 5. 白名单保留：只留 ASCII 可见字符、常用空白、汉字、日文、全角标点等
// 注意：这里用 [^...] 否定式，匹配所有 *不在此范围内* 的字符并删掉
String whitelistRegex = "[^\x20-\x7E\u4e00-\u9fff\u3400-\u4dbf\u3000-\u303f\u3040-\u309f\u30a0-\u30ff\s]";
cleaned = cleaned.replaceAll(whitelistRegex, "");
// 6. （可选）将多个连续空白压缩为单个空格（不含换行）
cleaned = cleaned.replaceAll("[ \t\u3000]+", " ");
return cleaned.trim();}
注意事项与调试建议
实际使用时需结合文本来源调整：
- 如果原文含 emoji（位于增补平面），需在白名单中加入
\ud83c\udffb-\ud83d\udfff等代理对范围，或改用String.codePoints()遍历处理（Java 8+） - 日文/韩文文本需扩展 Unicode 范围：
\uac00-\ud7af（韩文）、\u3130-\u318f\u1100-\u11ff（韩文兼容字母） - 调试时可用
input.codePoints().forEach(cp -> System.out.printf("U+%04X ", cp));查看每个码点，快速定位异常值 - 避免过度清洗：比如删掉所有非 ASCII 标点可能误伤引号、破折号；保留
\u2014（—）、\u201c（“）等排版符号
Java免费学习笔记：立即使用
解锁 Java 大师之旅：从入门到精通的终极指南
