如何删除 4 字节字符？答案

【问题标题】：How to remove 4 byte characters?如何删除 4 字节字符？
【发布时间】：2015-03-22 19:08:28
【问题描述】：

我与 facebook 集成了一个向我发送特殊字符（笑脸等，例如被称为笑脸的 u+1f600）的集成。无法将其存储在我的 UTF8（不是 UTF8mb4）数据库中，那么如何使字符串 UFT8（不是 UTF8mb4）友好？

我无法将我的数据库转换为 UTF8mb4。

【问题讨论】：

【解决方案1】：

您可以使用简单的正则表达式：

var rx = new Regex(@"[\uD800-\uDBFF][\uDC00-\uDFFF]");
string str = "abcd\U0001D11Eabcd";
str = rx.Replace(str, "?"); // abcd?abcd

如果您查看http://en.wikipedia.org/wiki/UTF-16，您会发现非 BMP 字符由两个 16 位代码单元组成，范围在正则表达式中。

【讨论】：

我看过一个看起来像这样的示例 .replaceAll("[^\\u0000-\\uFFFF]", "");，看起来它会删除更多的 4 字节字符然后你的例子？还是我错了？你怎么知道你应该只使用 D800-BFF 和 DV00-DFFF？
@Banshee On .replaceAll("[^\\u0000-\\uFFFF]", "")：你不能这样做，因为在 .NET 中，非 bmp 字符是 two chars，而正则表达式不知道如何合并它们。所以那个替换不会匹配任何东西。您甚至可以使用我在示例中给出的str 对其进行测试。
@Banshee 在D800-BFF and DV00-DFFF 上，它甚至写在响应If you look http://en.wikipedia.org/wiki/UTF-16 you'll see that non-BMP characters are composed by two 16 bit code units, with the ranges given in the Regex. 和wiki 中：The top ten bits (a number in the range 0..0x03FF) are added to 0xD800 to give the first 16-bit code unit or high surrogate, which will be in the range **0xD800..0xDBFF**. 和其他范围在下一行。