C# 删除4字节UTF8字符

我想从字符串中删除以\xF0（ASCII代码为0xF0的字符）开头的4字节UTF8字符，然后重试

sText = Regex.Replace (sText, "\xF0...", "");

这不管用。使用两个反斜杠也不起作用

确切的输入是文本“[[Violinschlüssel]]”后面的4字节字符的内容，以十六进制表示：。。0x65 0x6c 0x5d 0x5d 0x20 0xf0 0x9d 0x84 0x9e 0x20。。预期输出为0x65 0x6c 0x5d 0x5d 0x20 0x20

---

怎么了？

您正在尝试搜索

字节

值，但C#字符串是由

字符

值组成的。“2.4.4.4字符文字”一节中的C语言规范规定：

字符文字表示单个字符，通常由引号中的字符组成，如“A”。
…
十六进制转义序列表示单个Unicode字符，其值由

\x

后面的十六进制数字构成

因此，对

“\xF0…”

的搜索是在搜索字符

U+F0

，该字符将由字节

C3 B0

表示

如果要查找并替换第一个字节为0xF0的所有Unicode字符，那么我认为需要搜索第一个字节为0xFO的字符值

字符

U+10000

表示为

F0 90 80 80

（前面的代码是

U+FFFF

，它是

EF BF

）。带有

F1的第一个代码是
U+40000
，它是
F1 80
，之前的值是
U+3FFFF
，它是
F0 BF

因此，您需要删除
U+10000
到
U+3FFFF
范围内的字符。这应该可以通过正则表达式实现，例如

sText = Regex.Replace (sText, "[\\x10000-\\x3FFFF]", "");


问题中引用的源代码中的相关字符已提取到下面的代码中。然后，代码尝试理解字符是如何保存在字符串中的

static void Main(string[] args)
{
    string input = "] Such characters will be surrogate pairs in .NET which uses UTF-16. Each of them will be two UTF-16 code units, that is two 
char
 values.


To just remove them, you can do (
using System.Linq;
):


sText = string.Concat(sText.Where(x => !char.IsSurrogate(x)));

static void Main（字符串[]args）
{
string input=“]这些字符将是使用UTF-16的.NET中的代理项对。每个字符将是两个UTF-16代码单元，即两个
char
值

要删除它们，您可以（
使用System.Linq；
）执行以下操作：

（使用.NET 4.0（Visual Studio 2010）中引入的
Concat
重载）


后期添加：它可以提供更好的性能来使用：

即使它看起来更糟。（在.NET3.5（VisualStudio2008）中工作）
使用两个反斜杠。可能是因为您试图删除。您的确切输入和确切预期输出是什么？我们将要求您进行澄清。请单击链接并更新您的帖子，将您的澄清放在问题本身。这是一个好问题。它涉及字节、字符之间不明显的关系和C#中的字符串。我需要使用“UTF8”编码将数据存储在MySQL数据库中（目前无法更改）。请参阅@Qix为什么要修改语言标准中的直接引用？引用的部分没有任何粗体文本，并且使用字符串引号。请解释。因为它更好地强调了您的观点。它没有改变规范的含义。我必须搜索您包含单个cha符号的原因Racker和不得不搜索真正的答案，这是unicode
char
和单个
byte
@Qix之间的区别我的答案的第一句话提到了C中
char
和
byte
之间的区别。非常感谢。这很可能指向了正确的方向，但您的解决方案仍然不正确工作。它从输入中删除了很多字符，但没有删除4字节UTF8字符。即使是
Regex.Replace（sText，“\\x1D11E”，”）
也没有从输入中删除精确的单个字符。据我所知，它删除了所有3字节和4字节UTF8字符（这是C#字符串中的2个UTF16字符值）。这不完全是我要求的，但我发现这正是我真正需要的。再次感谢。@André你错了。如果你想删除对应于3字节UTF-8或更长的字符，只需使用
sText=string.Concat（sText.Where（x=>x<'\u0800'））
.UTF-8可以在文件中使用，但一旦
字符串
进入内存，.NET或Windows就不会使用它。如果一个字符在UTF-8中需要1、2或3个字节，它可以放在一个代码单元中（即一个
字符
值）在UTF-16中，它是.NET和Windows内部使用的编码。如果一个字符需要UTF-8中的4个字节，它需要两个UTF-16代码单元（因此有两个
char
值）；这两个值构成“代理项对”。
sText = new string(sText.Where(x => !char.IsSurrogate(x)).ToArray());