Символы соответствия регулярного выражения Java вне Базовой многоязычной плоскости

Question

Как я могу сопоставить символы (с целью их удаления) за пределами базовой многоязычной плоскости Юникода в Java?

Answer 1

Чтобы удалить все не-BMP символы, должно работать следующее:

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

Answer 2

Вы ищете определенных персонажей или всех персонажей за пределами BMP?

Если первое, вы можете использовать StringBuilder построить строку, содержащую кодовые точки из более высоких плоскостей, и регулярное выражение будет работать, как ожидается:

  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());

Если вы хотите удалить все не-BMP символы из строки, то я бы использовал StringBuilder непосредственно, а не регулярное выражение:

  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++;
     }
  }