从字符串中删除特定 unicode 范围的字符

Question

我有一个程序从 twitter 流 api 实时解析推文。在存储它们之前，我将它们编码为 utf8。某些字符最终会以 ?、?? 或 ??? 出现在字符串中而不是他们各自的unicode代码并导致问题。经过进一步调查，我发现有问题的字符来自"emoticon" block，U+1F600 - U+1F64F，和“杂项Symbols And Pictographs" block，U+1F300 - U+1F5FF。我尝试删除，但没有成功，因为matcher 最终替换了字符串中的几乎每个字符，而不仅仅是我想要的 unicode 范围。

String utf8tweet = "";
        try {
            byte[] utf8Bytes = status.getText().getBytes("UTF-8");

            utf8tweet = new String(utf8Bytes, "UTF-8");

        } 
        catch (UnsupportedEncodingException e) {
            e.printStackTrace();
        }
Pattern unicodeOutliers = Pattern.compile("[\\u1f300-\\u1f64f]", Pattern.UNICODE_CASE | Pattern.CANON_EQ | Pattern.CASE_INSENSITIVE);
Matcher unicodeOutlierMatcher = unicodeOutliers.matcher(utf8tweet);
utf8tweet = unicodeOutlierMatcher.replaceAll(" ");

如何删除这些字符？

Answer 1

我试过这个。 unicode 范围来自emoji ranges

    class EmojiEraser{

    private static final String EMOJI_RANGE_REGEX =
                "[\uD83C\uDF00-\uD83D\uDDFF]|[\uD83D\uDE00-\uD83D\uDE4F]|[\uD83D\uDE80-\uD83D\uDEFF]|[\u2600-\u26FF]|[\u2700-\u27BF]";
        private static final Pattern PATTERN = Pattern.compile(EMOJI_RANGE_REGEX);

        /**
         * Finds and removes emojies from @param input
         * 
         * @param input the input string potentially containing emojis (comes as unicode stringfied)
         * @return input string with emojis replaced
         */
        public String eraseEmojis(String input) {
            if (Strings.isNullOrEmpty(input)) {
                return input;
            }
            Matcher matcher = PATTERN.matcher(input);
            StringBuffer sb = new StringBuffer();
            while (matcher.find()) {
                matcher.appendReplacement(sb, "");
            }
            matcher.appendTail(sb);
            return sb.toString();
        }
}

Answer 2

首先，相关的unicode块在java中（严格遵循标准）指定为Character.UnicodeBlock MISCELLANEOUS_SYMBOLS_AND_PICTOGRAPHS。在正则表达式中：

s = s.replaceAll("\\p{So}+", "");

Answer 3

在正则表达式模式中添加否定运算符^。要过滤可打印字符，您可以使用以下表达式 [^\\x00-\\x7F]，您应该会得到所需的结果。

import java.io.UnsupportedEncodingException;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class UTF8 {
    public static void main(String[] args) {
        String utf8tweet = "";
        try {
            byte[] utf8Bytes = "#Hello twitter  How are you?".getBytes("UTF-8");

            utf8tweet = new String(utf8Bytes, "UTF-8");

        } catch (UnsupportedEncodingException e) {
            e.printStackTrace();
        }
        Pattern unicodeOutliers = Pattern.compile("[^\\x00-\\x7F]",
                Pattern.UNICODE_CASE | Pattern.CANON_EQ
                        | Pattern.CASE_INSENSITIVE);
        Matcher unicodeOutlierMatcher = unicodeOutliers.matcher(utf8tweet);

        System.out.println("Before: " + utf8tweet);
        utf8tweet = unicodeOutlierMatcher.replaceAll(" ");
        System.out.println("After: " + utf8tweet);
    }
}

结果如下：

Before: #Hello twitter  How are you?
After: #Hello twitter   How are you?

---

编辑

为了进一步解释，您还可以继续使用\u 形式以[^\\u0000-\\u007F] 的方式表示范围，这将匹配所有不是前128 个UNICODE 字符的字符（与之前相同）。如果要扩展范围以支持额外字符，可以使用 UNICODE 字符列表here。

例如，如果您想包含带重音的元音（用于西班牙语），您应该将范围扩展到\u00FF，因此您有[^\\u0000-\\u00FF] 或[^\\x00-\\xFF]：

Before: #Hello twitter  How are you? á é í ó ú
After: #Hello twitter   How are you? á é í ó ú

Answer 4

假设status.getText() 返回一个java.lang.String...

byte[] utf8Bytes = status.getText().getBytes("UTF-8");
utf8tweet = new String(utf8Bytes, "UTF-8");

上述转码操作产生的结果与：

utf8tweet = status.getText();

Java 字符串是隐含的 UTF-16。 UTF-16 和 UTF-8 共享相同的字符集 (Unicode)，因此从一个字符集转换到另一个字符集并返回原始数据。

Java 正则表达式支持使用surrogate pairs 的补充范围。您可以按照this question 的答案中的说明匹配它们。

正如eee 在他的评论中所说，您很可能遇到了字体问题。能否显示字形通常取决于用户系统上可用的字体、选择的字体以及渲染技术支持的字体替换形式。