Caracteres de coincidencia de expresiones regulares de Java fuera del plano multilingüe básico

Question

¿Cómo puedo unir caracteres (con la intención de eliminarlos) del exterior del plano multilingüe básico unicode en java?

Answer 1

para eliminar todos los caracteres que no son BMP, el siguiente debería funcionar:

String sanitizedString = inputString.replaceAll("[^\u0000-\uFFFF]", ""); 

Answer 2

¿Está buscando caracteres específicos o todos los caracteres fuera del BMP?

En el primer caso, se puede utilizar un StringBuilder para construir una cadena que contiene los puntos de código a partir de los planos superiores, y la expresión regular funcionará como se espera:

String test = new StringBuilder().append("test").appendCodePoint(0x10300).append("test").toString(); 
    Pattern regex = Pattern.compile(new StringBuilder().appendCodePoint(0x10300).toString()); 

    Matcher matcher = regex.matcher(test); 
    matcher.find(); 
    System.out.println(matcher.start()); 

Si usted está buscando para eliminar toda no -BMP caracteres de una cadena, entonces me gustaría usar StringBuilder directamente en lugar de expresiones regulares:

StringBuilder sb = new StringBuilder(test.length()); 
    for (int ii = 0 ; ii < test.length() ;) 
    { 
    int codePoint = test.codePointAt(ii); 
    if (codePoint > 0xFFFF) 
    { 
     ii += Character.charCount(codePoint); 
    } 
    else 
    { 
     sb.appendCodePoint(codePoint); 
     ii++; 
    } 
    }