如何从字符串中删除表情符号字符？

Question

我有一个来自移动设备的文本输入。它包含表情符号。在 C# 中，我将文本设为

Text ???????? text

简单地说，我希望输出文本是

Text text

---

我正在尝试使用 rejex 从文本中删除所有此类表情符号.. 除了，我不确定如何将该表情符号转换为它的 unicode 序列.. 我怎么做？

编辑：

我正在尝试将用户输入保存到 mysql 中。看起来 mysql UTF8 并不真正支持 unicode 字符和 right way to do it would be by changing the schema，但我认为这不是我的选择。所以我试图在将其保存到数据库之前删除所有表情符号字符。

这是我的相关列的架构：

我使用 Nhibernate 作为我的 ORM，生成的插入查询如下所示：

Insert into `Content` (ContentTypeId, Comments, DateCreated) 
values (?p0, ?p1, ?p2);
?p0 = 4 [Type: Int32 (0)]. ?p1 = 'Text ???????? text' [Type: String (20)], ?p2 = 19/01/2015 10:38:23 [Type: DateTime (0)]

当我从日志中复制此查询并直接在 mysql 上运行时，我收到此错误：

1 warning(s): 1366 Incorrect string value: '\xF0\x9F\x98\x80 t...' for column 'Comments' at row 1   0.000 sec

---

另外，我尝试将其转换为编码字节，但它并没有真正起作用..

Answer 1

假设您只想删除所有非 BMP 字符，即 Unicode 代码点为 U+10000 或更高的任何字符，您可以使用正则表达式删除任何 UTF-16 代理 代码单元从字符串。例如：

using System;
using System.Text.RegularExpressions;

class Test
{
    static void Main(string[] args)
    {
        string text = "x\U0001F310y";
        Console.WriteLine(text.Length); // 4
        string result = Regex.Replace(text, @"\p{Cs}", "");
        Console.WriteLine(result); // 2
    }
}

这里的“Cs”是“代理”的 Unicode 类别。

Regex 似乎基于 UTF-16 代码单元而不是 Unicode 代码点工作，否则您需要一种不同的方法。

请注意，除了表情符号之外还有非 BMP 字符，但我怀疑您在尝试存储它们时会发现它们会遇到同样的问题。