概述和假设

在Java regex中，星体平面中的匹配字符（代码点U + 10000至U + 10FFFF）是一个文档不足的功能。

该答案主要涉及针对Java 6及更高版本的Oracle实现（参考实现，OpenJDK中也使用了参考实现）。

如果您碰巧使用GNU Classpath或Android，请自己测试代码，因为它们使用自己的实现。

幕后花絮

假设您正在Oracle实施中运行正则表达式，则您的正则表达式

"([ud800-udbffudc00-udfff])"

编译如下：

StartS. Start unanchored match (minLength=1)java.util.regex.Pattern$GroupHeadPattern.union. A ∪ B:  Pattern.union. A ∪ B:    Pattern.rangeFor. U+D800 <= prePoint <= U+10FC00.    BitClass. Match any of these 1 character(s):      [U+002D]  SingleS. Match pre point: U+DFFF LOW SURROGATES DFFFjava.util.regex.Pattern$GroupTailjava.util.regex.Pattern$LastNodeNode. Accept match

字符类被解析为

ud800-udbffudc00

-

udfff

udbffudc00

解决方案错误

写作毫无意义：

"[ud800-udbff][udc00-udfff]"

由于Oracle的实现按代码点进行匹配，并且有效的代理对将在匹配之前转换为代码点，因此上述正则表达式无法匹配任何内容，因为它正在搜索两个连续的单独代理，它们可以构成一个有效对。

解

如果要匹配并删除星体平面中U + FFFF上方的所有代码点（由有效的代理对组成），加上孤立的代理（不能构成有效的代理对），则应编写以下代码：

input.replaceAll("[ud800udc00-udbffudfffud800-udfff]", "");

该解决方案已经过测试，可以在Java 6和7（Oracle实现）中工作。

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 <= prePoint <= U+10FFFF.  Pattern.rangeFor. U+D800 <= prePoint <= U+DFFF.java.util.regex.Pattern$LastNodeNode. Accept match

请注意，我用字符串文字Unipre转义序列指定字符，而不是用正则表达式语法指定转义序列。

// only works in Java 7input.replaceAll("[\ud800\udc00-\udbff\udfff\ud800-\udfff]", "")

当使用regex语法指定Java 6时，Java
6不识别代理对，因此regex识别

\ud800

\udc00-\udbff

从Java 7及更高版本开始，

x{h..h}

input.replaceAll("[\x{10000}-\x{10ffff}ud800-udfff]", "");

此正则表达式也可以编译为与上述相同的结构。