我正在尝试从给定字符串中删除像✅⛱⛄这样的字符。这些字符属于UnicodeCategory.OtherSymbol
,但是char.GetUnicodeCategory
返回UnicodeCategory.Surrogate
。
如果我只想从字符串中删除这些表情/图片字符,并保留其他代理字符不变,该怎么办?
我已经尝试过 Regex.IsMatch("", @"\p{So}")
,但没有起作用。
.NET在迭代Unicode字符而不是UTF-16代码单元方面表现并不好。所有相关的代码都在那里,但使用起来并不是特别容易。可能可以通过Regex
使其理解代理对,但我还没有找到它。
以下是手动处理的示例:
using System;
using System.Globalization;
using System.Text;
public class Program
{
public static void Main(string[] args)
{
string text = "a\u2705b\U0001f52ec\u26f1d\U0001F602e\U00010000";
string cleansed = RemoveOtherSymbols(text);
Console.WriteLine(cleansed);
}
static string RemoveOtherSymbols(string text)
{
// TODO: Handle malformed strings (e.g. those
// with mismatched surrogate pairs)
StringBuilder builder = new StringBuilder();
int index = 0;
while (index < text.Length)
{
// Full Unicode character
int units = char.IsSurrogate(text, index) ? 2 : 1;
UnicodeCategory category = char.GetUnicodeCategory(text, index);
int ch = char.ConvertToUtf32(text, index);
if (category == UnicodeCategory.OtherSymbol)
{
Console.WriteLine($"Skipping U+{ch:x} {category}");
}
else
{
Console.WriteLine($"Keeping U+{ch:x} {category}");
builder.Append(text, index, units);
}
index += units;
}
return builder.ToString();
}
}
char.GetUnicodeCategory(char)
。另外两个字符由两个char
值组成,形成代理对。你需要使用char.GetUnicodeCategory(string, int)
来处理它们。 - Jon Skeet