我该如何在Java中匹配位于Unicode基本多文种平面之外的字符(以便移除它们)?
我该如何在Java中匹配位于Unicode基本多文种平面之外的字符(以便移除它们)?
为了删除所有的非基本多文种字符(non-BMP characters),可以尝试以下方法:
String sanitizedString = inputString.replaceAll("[^\u0000-\uFFFF]", "");
您是在寻找特定字符还是所有位于BMP之外的字符呢?
如果是前者,您可以使用StringBuilder
构造一个包含来自高平面的代码点的字符串,然后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());
如果您想从字符串中删除所有非BMP字符,则我建议直接使用StringBuilder
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++;
}
}
String inputString = "\uD800\uD800\uDC00\uDC00";
。 - user1089451