java - 如何防止将字符写成字符串？

我从科学文章中提取文本时遇到问题。
我使用PDFBox从pdf提取文本。的
问题不是来自提取过程，而是带有一些特殊的数学符号，当我想将提取的文本写入XML文件时会导致问题，未正确提取的特殊字符会造成麻烦。代替，或其他类似的HTML代码将被插入XML文件并破坏整个文件。如何解决这个问题？

我的意思是HTML代码看起来像these，目前，数字218很麻烦。但是我想对于不同的数学符号，将替换不同的HTML代码，然后导致问题。

我已经尝试过以下字符串清洁，但没有帮助：

nextWord=nextWord.replaceAll("[-+.^:,]", "");
nextWord=nextWord.replaceAll("\\s+", "");
nextWord=nextWord.replaceAll("[^\\x00-\\x7F]", "");

最佳答案

您可以在将每一行写入文件之前进行预检查，以检查文本是否不包含歧义字符。下面的模式包含任何给定教科书中的所有基本字符。您可以根据自己的内容添加或删除。

public boolean isValidCharacters(String word){
    String pattern= "^[a-zA-Z0-9~@#$^*()_+={}|\\,.?: -]*$";
    return word.matches(pattern);
}