Regex 如何使用正则表达式删除垃圾字符？

我有一个web应用程序，它读取网页内容并使用NLP算法解析句子。我一直在使用正则表达式将内容拆分成单个句子，然后对它们进行解析

我想从我的句子中删除像

这样的字符。我想，这些字符是因为HTML编码

很明显，我不能使用像
[^\w\d]+
这样的正则表达式或它的变体，因为我需要完整的标点符号。当然，我可以为每个标点符号添加单独的异常，比如
[^\w\d\，：]+
等等，但是如果有更简单的方法，我希望这样做，比如可能一个字符类知道它是一个。。。有趣的角色

任何帮助都将不胜感激。谢谢

编辑：该应用程序是用PHP构建的，我正在使用一个简单的
文件\u get_contents（）
从站点获取HTML数据，并读取
标记中的内容。
这在@TheGreatCO的评论中提到过，但您可以创建一个包含“特殊”字符的字符类。可以使用十六进制代码值在字符类中创建范围。所以对于ASCII 127上的任何特殊字符都是这样

[\x80-\xFE]

除了你最基本的角色之外，那将匹配任何东西。为了便于参考

我发现这个regexpr有助于使用atom识别文件中的垃圾字符

[^（\x20-\x7F\p{Sc}）]
这是一个perl脚本，您处理页面吗？哪个正则表达式？语言是有用的。找出页面的编码并正确处理它不是更有意义吗？@TimPietzcker，但你的方式不使用正则表达式！这太简单了！您可以始终循环浏览内容并删除ASCII代码高于127的任何内容。低效和野蛮的武力。