如何从字符串中删除Unicode.OtherSymbol？

Question

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。

- user3492123

---

这里展示的三个字符（勾号、雨伞、无雪人）可以使用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

Answer 1

.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();
    }
}

- Jon Skeet