Ява символов regex матча за основной многоязычной плоскости

Question

Ява символов regex матча за основной многоязычной плоскости

Как я могу сопоставить символы (с намерением удалить их) вне базовой многоязычной плоскости unicode в java?

572 2

java regex unicode astral-plane

2 ответов:

Comments

Ничего не найдено.

James Van Huis · Accepted Answer · 2010-10-27 20:19:54

Чтобы удалить все символы, не являющиеся BMP, должно работать следующее:
String sanitizedString = inputString.replaceAll("[^\u0000-\uFFFF]", "");

Anon · Accepted Answer · 2010-10-27 22:05:15

Вы ищете конкретные символы или все символы вне BMP?

Если первое, вы можете использовать StringBuilder для построения строки, содержащей кодовые точки из более высоких плоскостей, и регулярное выражение будет работать так, как ожидалось:
  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 напрямую, 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++;
     }
  }