如何替换docx中Word不识别为换行符的特殊不可打印字符

字符身份说明 #

你遇到的是Word中的手动换行符（软回车），对应Unicode编码为\u000B（ASCII垂直制表符），部分场景下也可能是行分隔符\u2028或段落分隔符\u2029。
这类字符由Word中按下Shift+Enter生成，作用是实现同段落内的换行，所以开启Word的不可打印字符显示时，不会出现代表普通段落回车的倒P标记。但多数文本解析逻辑会将其识别为换行类字符，复制到剪贴板时也会被自动转义为\n，所以你无法直接抓取原字符调用替换方法。

替换解决方案 #

无需复制原字符，直接按Unicode编码匹配替换即可，常见编程语言的实现示例如下：

• Python

# 单独匹配软回车等特殊换行符替换为空格
content = content.replace("\u000B", " ").replace("\u2028", " ").replace("\u2029", " ")

# 如果要一次性替换所有类换行符（包含普通\n、\r），可以用正则
import re
content = re.sub(r"[\u000B\u2028\u2029\n\r]", " ", content)

• JavaScript

// 替换特殊换行符
content = content.replace(/[\u000B\u2028\u2029]/g, " ")

// 全量替换所有类换行符
content = content.replace(/[\u000B\u2028\u2029\n\r]/g, " ")

• Java

// 替换特殊换行符
content = content.replaceAll("[\\u000B\\u2028\\u2029]", " ");

// 全量替换所有类换行符
content = content.replaceAll("[\\u000B\\u2028\\u2029\\n\\r]", " ");

如果替换后仍存在异常，可以将可疑文本的字符逐一转成Unicode编码确认具体值，再针对性新增匹配规则，以Python为例：

for char in suspicious_content:
    print(f"字符：{char}, 编码：{hex(ord(char))}")

内容的提问来源于stack exchange，提问作者Ana Alfaro Pizaña