Символы соответствия регулярному выражению Java вне базовой многоязычной плоскости

Ответ 1

Чтобы удалить все символы, отличные от BMP, должно работать следующее:

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

Ответ 2

Вы ищете конкретные символы или все символы вне BMP?

Если первый, вы можете использовать StringBuilder для построения строки, содержащей кодовые точки из более высоких плоскостей, и регулярное выражение будет работать как ожидалось:

  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());

Если вы хотите удалить все не BMP-символы из строки, я бы использовал StringBuilder напрямую, а не регулярное выражение:

  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++;
     }
  }