表情符号转换为特定的字符串表示

Question

目前我正在使用一个名为 Emoji 的元组 HashSet 将 Emoji 替换为字符串表示形式，例如，炸弹的 emoji 变为 U0001F4A3。转换通过

完成

Emoji.Aggregate(input, (current, pair) => current.Replace(pair.Item1, pair.Item2));

按预期工作。

但是，我试图在不使用 2600 多个项目的预定义列表的情况下实现相同的目标。有没有人已经实现了这样的事情，即字符串中的表情符号被替换为不带 \ 的对应符号？

例如：

"This string contains the unicode character bomb (????)"

变成

"This string contains the unicode character bomb (U0001F4A3)"

Answer 1

听起来您很乐意将不在basic multi-lingual plane 中的任何字符替换为其十六进制表示。执行此操作的代码有点冗长，但非常简单：

using System;
using System.Text;

class Test
{
    static void Main()
    {
        string text = "This string contains the unicode character bomb (\U0001F4A3)";
        Console.WriteLine(ReplaceNonBmpWithHex(text));
    }

    static string ReplaceNonBmpWithHex(string input)
    {
        // TODO: If most string don't have any non-BMP characters, consider
        // an optimization of checking for high/low surrogate characters first,
        // and return input if there aren't any.
        StringBuilder builder = new StringBuilder(input.Length);
        for (int i = 0; i < input.Length; i++)
        {
            char c = input[i];
            // A surrogate pair is a high surrogate followed by a low surrogate
            if (char.IsHighSurrogate(c))
            {
                if (i == input.Length -1)
                {
                    throw new ArgumentException($"High surrogate at end of string");
                }
                // Fetch the low surrogate, advancing our counter
                i++;
                char d = input[i];
                if (!char.IsLowSurrogate(d))
                {
                    throw new ArgumentException($"Unmatched low surrogate at index {i-1}");
                }
                uint highTranslated = (uint) ((c - 0xd800) * 0x400);
                uint lowTranslated = (uint) (d - 0xdc00);
                uint utf32 = (uint) (highTranslated + lowTranslated + 0x10000);
                builder.AppendFormat("U{0:X8}", utf32);
            }
            // We should never see a low surrogate on its own
            else if (char.IsLowSurrogate(c))
            {
                throw new ArgumentException($"Unmatched low surrogate at index {i}");
            }
            // Most common case: BMP character; just append it.
            else
            {
                builder.Append(c);
            }
        }
        return builder.ToString();
    }
}

请注意，根据 Yury 的回答，不会尝试处理多个字符一起使用的情况。它会将每个修饰符/emoji/secondary-char 替换为单独的 UXXXXXXXX 部分。

Answer 2

恐怕你在这里有一个错误的假设。表情符号不仅仅是一个“特殊的 Unicode 字符”。特定表情符号的实际长度可以是连续 4 个或更多字符。例如：

• 表情符号本身
• 零宽度接缝
• 辅助字符（如毕业帽或麦克风）
• 性别修饰符（男人或女人）
• 肤色调节剂（菲茨帕特里克量表）

因此，您肯定应该考虑到可变长度。

例子：

• https://emojipedia.org/female-health-worker
• https://emojipedia.org/male-farmer-type-1-2