Java regex correspondre des caractères en dehors du plan multilingue de base

Question

Comment puis-je faire correspondre les caractères (avec l'intention de les supprimer) de l'extérieur du plan multilingue de base unicode dans java?

Answer 1

Pour supprimer tous les caractères non-BMP, ce qui suit devrait fonctionner:

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

Answer 2

Vous recherchez des caractères spécifiques ou tous les caractères en dehors du BMP?

Si l'ancien, vous pouvez utiliser un StringBuilder pour construire une chaîne contenant les points de code des plans supérieurs, et regex fonctionnera comme prévu:

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()); 

Si vous cherchez à supprimer tous non caractères -bmp d'une chaîne, puis j'utiliser StringBuilder directement plutôt que regex:

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++; 
    } 
    }