Java 正则表达式匹配基本多语言平面外部的字符

regex unicode java astral-plane

2022-09-02 12:49:03

如何匹配Java中Unicode基本多语言平面外部的字符（意图删除它们）？

答案 1

要删除所有非 BMP 字符，以下操作应该有效：

String sanitizedString = inputString.replaceAll("[^\u0000-\uFFFF]", "");

答案 2

您是在寻找特定角色还是 BMP 之外的所有角色？

如果是前者，则可以使用 a 来构造包含来自较高平面的码位的字符串，并且正则表达式将按预期工作：StringBuilder

  String test = new StringBuilder().append("test").appendCodePoint(0x10300).append("test").toString();
  Pattern regex = Pattern.compile(new StringBuilder().appendCodePoint(0x10300).toString());

  Matcher matcher = regex.matcher(test);
  matcher.find();
  System.out.println(matcher.start());

如果您希望从字符串中删除所有非BMP字符，那么我将直接使用而不是正则表达式：StringBuilder

  StringBuilder sb = new StringBuilder(test.length());
  for (int ii = 0 ; ii < test.length() ; )
  {
     int codePoint = test.codePointAt(ii);
     if (codePoint > 0xFFFF)
     {
        ii += Character.charCount(codePoint);
     }
     else
     {
        sb.appendCodePoint(codePoint);
        ii++;
     }
  }