PHP：如何匹配一系列 unicode 配对代理表情符号/表情符号？

Question

anubhava's answer about matching ranges of unicode characters 引导我使用正则表达式来清理特定范围的单个字符代码点。有了它，现在我可以用这个简单的表达式匹配所有miscellaneous symbols in this list（包括表情符号）：

preg_replace('/[\x{2600}-\x{26FF}]/u', '', $str);

但是，我也想匹配这个list of paired/double surrogates emoji中的那些，但是作为nhahtdh explained in a comment：

在d800 到dfff 的范围内可以指定UTF-16 中的代理项以允许指定更多字符。 单个代理不是 UTF-16 中的有效字符（需要一对来指定有效字符）。

所以，例如，当我尝试这个时：

preg_replace('/\x{D83D}\x{DE00}/u', '', $str);

仅替换paired surrogates on this list 中的第一个，即：????

PHP 抛出这个：

preg_replace()：编译失败：不允许的 Unicode 代码点(>= 0xd800 && <= 0xdfff)

我尝试了几种不同的组合，包括UTF8 for ???? ('/[\x{00F0}\x{009F}\x{0098}\x{0080}]/u') 中上述代码点的假定组合，但我仍然无法匹配它。我还查看了其他PCRE pattern modifiers，但似乎u 是唯一允许指向UTF8 的。

我在这里错过了任何“逃避”的选择吗？

Answer 1

revo's comment above 对找到解决方案很有帮助：

如果您的 PHP 未附带针对 UTF-16 的 PCRE 构建，则您无法执行此类匹配。 从 PHP 7.0 开始，您可以使用 Unicode 代码点遵循此语法 \u{XXXX} 例如preg_replace("~\u{1F600}~", '', $str);（注意双引号）

由于我使用的是 PHP 7，echo "\u{1F602}"; 输出?根据这个PHP RFC page on unicode escape。这个提议本质上是：

为 双引号字符串 和 heredocs 添加了新的转义序列。

• \u{ codepoint-digits } 其中codepoint-digits 由十六进制数字组成。

这意味着preg_replace 中的匹配字符串（通常是单引号以免与双引号字符串变量扩展混淆）现在需要一些preg_quote magic。这是我想出的解决方案：

preg_replace(
  // single point unicode list
  "/[\x{2600}-\x{26FF}".
  // http://www.fileformat.info/info/unicode/block/miscellaneous_symbols/list.htm
  // concatenates with paired surrogates
  preg_quote("\u{1F600}", '/')."-".preg_quote("\u{1F64F}", '/').
  // https://www.fileformat.info/info/unicode/block/emoticons/list.htm
  "]/u",
  '',
  $str
);

这是proof of the above in 3v4l。

编辑：更简单的解决方案

在another comment made by revo 中，似乎通过将 unicode 字符直接放入正则表达式字符类，支持单引号字符串和以前的 PHP 版本（例如 4.3.4）：

preg_replace('/[☀-⛿?-?]/u','YOINK',$str);

对于使用PHP 7's new feature though，你仍然需要双引号：

preg_replace("/[\u{2600}-\u{26FF}\u{1F600}-\u{1F64F}]/u",'YOINK',$str);

这里是revo's proof in 3v4l。