java - Java 正则表达式匹配基本多语言平面之外的字符

Question

java - 如何从java中的unicode Basic Multilingual Plane之外匹配字符（目的是删除它们）？

Answer 1

要删除所有非 BMP 字符，应执行以下操作：

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

Answer 2

您是在寻找 BMP 之外的特定字符还是所有字符？

如果是前者，您可以使用 aStringBuilder构造一个包含来自更高平面的代码点的字符串，并且正则表达式将按预期工作：

  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());

如果您要从字符串中删除所有非 BMP 字符，那么我会StringBuilder直接使用而不是正则表达式：

  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++;
     }
  }