概述和假设
匹配星体层中的字符(代码点 U+10000 到 U+10FFFF)一直是 Java 正则表达式中记录不足的功能。
这个答案主要涉及Oracle对Java版本6及以上版本的实现(参考实现,OpenJDK中也使用)。
如果您碰巧使用 GNU Classpath 或 Android,请自行测试代码,因为它们使用自己的实现。
幕后花絮
假设您在 Oracle 的实现上运行正则表达式,您的正则表达式
"([\ud800-\udbff\udc00-\udfff])"
编译如下:
StartS. Start unanchored match (minLength=1)
java.util.regex.Pattern$GroupHead
Pattern.union. A ∪ B:
Pattern.union. A ∪ B:
Pattern.rangeFor. U+D800 <= codePoint <= U+10FC00.
BitClass. Match any of these 1 character(s):
[U+002D]
SingleS. Match code point: U+DFFF LOW SURROGATES DFFF
java.util.regex.Pattern$GroupTail
java.util.regex.Pattern$LastNode
Node. Accept match
字符类被解析为\ud800-\udbff\udc00
, -
, \udfff
. Since \udbff\udc00
形成有效的代理对,它代表代码点 U+10FC00。
错误的解决方案
写起来没有意义:
"[\ud800-\udbff][\udc00-\udfff]"
由于 Oracle 的实现按代码点进行匹配,并且有效的代理项对将在匹配之前转换为代码点,因此上面的正则表达式无法匹配任何内容,因为它正在搜索可以形成有效对的 2 个连续的单独代理项。
Solution
如果您想匹配并删除星体层中 U+FFFF 以上的所有代码点(由有效的代理对形成),加上单独的代理(无法形成有效的代理对),您应该编写:
input.replaceAll("[\ud800\udc00-\udbff\udfff\ud800-\udfff]", "");
该解决方案已经过测试,可在 Java 6 和 7(Oracle 实现)中运行。
上面的正则表达式编译为:
StartS. Start unanchored match (minLength=1)
Pattern.union. A ∪ B:
Pattern.rangeFor. U+10000 <= codePoint <= U+10FFFF.
Pattern.rangeFor. U+D800 <= codePoint <= U+DFFF.
java.util.regex.Pattern$LastNode
Node. Accept match
请注意,我使用字符串文字 Unicode 转义序列指定字符,而不是正则表达式语法中的转义序列。
// Only works in Java 7
input.replaceAll("[\\ud800\\udc00-\\udbff\\udfff\\ud800-\\udfff]", "")
当使用正则表达式语法指定时,Java 6 无法识别代理对,因此正则表达式可以识别\\ud800
作为一个字符并尝试编译范围\\udc00-\\udbff
失败的地方。我们很幸运,它会为此输入抛出异常;否则,错误将无法被检测到。 Java 7 正确解析此正则表达式并编译为与上面相同的结构。
从 Java 7 及更高版本开始,语法\x{h..h}
已添加支持指定 BMP(基本多语言平面)之外的字符,并且推荐使用它来指定星体平面中的字符。
input.replaceAll("[\\x{10000}-\\x{10ffff}\ud800-\udfff]", "");
该正则表达式也编译为与上面相同的结构。