c# - 如何从字符串中删除 unicode.OtherSymbol

Question

我正在尝试从给定字符串中删除像 ✅🔮⛱😂⛄ 这样的字符。这些字符属于 UnicodeCategory.OtherSymbol，但 char.GetUnicodeCategory 返回 UnicodeCategory.Surrogate。

如果我只是想从字符串中删除那些情感/图片字符，而让其他代理字符保持不变，我该怎么办？

我试过 Regex.IsMatch("🔮", @"\p{So}")，没用。

Answer 1

.NET 在遍历 Unicode 字符而不是 UTF-16 代码单元时并不是很好。所有相关代码都在那里，但使用起来并不十分容易。有可能 Regex 可以理解代理对，但我还没有找到它。

这是一个手动操作的例子:

using System;
using System.Globalization;
using System.Text;

public class Program
{
    public static void Main(string[] args)
    {
        string text = "a\u2705b\U0001f52ec\u26f1d\U0001F602e\U00010000";
        string cleansed = RemoveOtherSymbols(text);
        Console.WriteLine(cleansed);
    }

    static string RemoveOtherSymbols(string text)
    {
        // TODO: Handle malformed strings (e.g. those
        // with mismatched surrogate pairs)
        StringBuilder builder = new StringBuilder();
        int index = 0;
        while (index < text.Length)
        {
            // Full Unicode character
            int units = char.IsSurrogate(text, index) ? 2 : 1;
            UnicodeCategory category = char.GetUnicodeCategory(text, index);
            int ch = char.ConvertToUtf32(text, index);
            if (category == UnicodeCategory.OtherSymbol)
            {
                Console.WriteLine($"Skipping U+{ch:x} {category}");
            }
            else
            {
                Console.WriteLine($"Keeping U+{ch:x} {category}");
                builder.Append(text, index, units);
            }
            index += units;
        }
        return builder.ToString();
    }
}