移除✅🔥✈♛;以及来自Java字符串的其他类似表情/图像/符号
我有一些字符串,里面有各种不同的表情/图像/符号 并非所有字符串都是英语的,其中一些字符串是其他非拉丁语言的,例如:移除✅🔥✈♛;以及来自Java字符串的其他类似表情/图像/符号,java,string,emoji,Java,String,Emoji,我有一些字符串,里面有各种不同的表情/图像/符号 并非所有字符串都是英语的,其中一些字符串是其他非拉丁语言的,例如: ▓ 铁路?? → 猫和狗 基于您有1644个不同的Unicode代码点要删除,我选择了。例如✅在此列表中为 有了完整的表情符号列表,你需要使用。在单个字符或字节上迭代将不起作用,因为单个代码点可以跨越多个字节。因为Java使用UTF-16,所以emojis通常需要两个chars String input = "ab✅cd"; for (int i = 0; i < inpu
▓ 铁路??
→ 猫和狗
基于您有1644个不同的Unicode代码点要删除,我选择了。例如✅代码>在此列表中为
有了完整的表情符号列表,你需要使用。在单个字符
或字节
上迭代将不起作用,因为单个代码点可以跨越多个字节。因为Java使用UTF-16,所以emojis通常需要两个char
s
String input = "ab✅cd";
for (int i = 0; i < input.length();) {
int cp = input.codePointAt(i);
// filter out if matches
i += Character.charCount(cp);
}
或者因为Java支持Unicode字符串:
int viSign = "✅".codePointAt(0);
与其将某些元素列入黑名单,不如创建一个您希望保留的字符的白名单?这样你就不必担心每一个新的表情符号被添加
String characterFilter = "[^\\p{L}\\p{M}\\p{N}\\p{P}\\p{Z}\\p{Cf}\\p{Cs}\\s]";
String emotionless = aString.replaceAll(characterFilter,"");
因此:
[\\p{L}\\p{M}\\p{N}\\p{p}\\p{Z}\\p{Cf}\\p{Cs}\\s]
是一个范围,表示所有数字(\\p{N}
)、字母(\\p{L}
)、标记(\\p{M}
)、标点(\\p}
\\p}
\\p})、空格/格式(\\p})、其他(\\p{Cs}
)中U+FFFF
上方的其他字符,以及换行符(\\s
)\\p{L}
特别地包括来自其他字母的字符,如西里尔字母、拉丁字母、汉字等
正则表达式字符集中的^
将使匹配项无效
例如:
String str = "hello world _# 皆さん、こんにちは! 私はジョンと申します。I'm not super into Java, so I won't try to write example code inline, but the way I would do this is to check what Unicode calls "the general category" of each character. There are a couple letter and punctuation categories.
You can use Character.getType to find the general category of a given character. You should probably retain those characters that fall in these general categories:
COMBINING_SPACING_MARK
CONNECTOR_PUNCTUATION
CURRENCY_SYMBOL
DASH_PUNCTUATION
DECIMAL_DIGIT_NUMBER
ENCLOSING_MARK
END_PUNCTUATION
FINAL_QUOTE_PUNCTUATION
FORMAT
INITIAL_QUOTE_PUNCTUATION
LETTER_NUMBER
LINE_SEPARATOR
LOWERCASE_LETTER
MATH_SYMBOL
MODIFIER_LETTER
MODIFIER_SYMBOL
NON_SPACING_MARK
OTHER_LETTER
OTHER_NUMBER
OTHER_PUNCTUATION
PARAGRAPH_SEPARATOR
SPACE_SEPARATOR
START_PUNCTUATION
TITLECASE_LETTER
UPPERCASE_LETTER
String str=“你好,世界”皆さん、こんにちは! 私はジョンと申します。 我不太喜欢Java,所以我不会尝试内联编写示例代码,但我要做的是检查Unicode对每个字符的“一般类别”是什么
您可以使用查找给定字符的常规类别。您可能应该保留属于这些常规类别的字符:
package zmarcos.emoji;
import java.util.Arrays;
import java.util.HashSet;
import java.util.Set;
public class TestEmoji {
public static void main(String[] args) {
String[] arr = {"Remove ✅, ICU4J is your friend.
UCharacter.hasBinaryProperty(UProperty.EMOJI);
(您列出的所有特别想要删除的字符都有通用类别其他\u符号,我没有将其包括在上面的类别白名单中。)我在下面举了一些例子,认为拉丁语就足够了,但是
有没有办法从输入字符串中删除所有这些符号
只保留不同语言中的字母和标点符号
编辑之后,使用Character.getType
方法开发了一个新的解决方案,这似乎是最好的解决方案
$('#text').remove('emoji').fast()
包zmarcos.emoji;
导入java.util.array;
导入java.util.HashSet;
导入java.util.Set;
公共类测试工具{
公共静态void main(字符串[]args){
字符串[]arr={“删除”✅, ICU4J是你的朋友
EmojiUtils.removeEmoji(str)
请记住保持您的icu4j版本为最新版本,并注意这只会过滤掉官方Unicode表情符号,而不是符号字符。请根据需要结合过滤掉其他字符类型
更多信息:
使用名为RM Emoji的jQuery插件。它的工作原理如下:
这是一种快速模式,可能会错过一些表情符号,因为它使用启发式算法在文本中查找表情符号。使用.full()
方法扫描整个字符串并删除所有表情符号。尝试此项目
与表情符号12.0兼容(2018.10.15)
简单地说:
你想保留什么?两个问题:什么是EmojiParser?似乎不是标准库的一部分,所以这一点没有多大帮助。你到底想过滤哪些字符?你说“更多的此类字符”,但是有很多角色组和家庭。我们需要更多地了解你的标准。IDK你的动机是什么,但如果它太过过滤文本输入:不要。我厌倦了被迫使用a-zA-Z。让我用我的母语,或表情符号,或我想要的任何东西来写。我真的想要我的日历约会吗"请澄清您到底想保留和删除什么。表面上看,这个问题似乎很清楚,但由于Unicode的复杂性,因此不可能提供一个好的答案。当它破坏了至少一个示例的含义时,这似乎是一件奇怪的事?非常有用的列表。Interesting使用removeAllEmojis方法调用EmojiParser无法处理这些…:-)@Bergi:No,因为input.codePointAt
最多只能查看2个字符,这是一个常量上限。另外(新添加的)i+=Character.charCount(cp)
跳过所有input.codepoint
检查过的字符(在某些情况下为-1)。@OlivierGrégoire:String.chars()
在字符而非代码点上进行流式处理。这有一种单独的方法。这里至少有两个问题:您使用的是一个“封闭”表情列表,因此每年都必须对其进行扩展(但这可能不容易解决),并且这段代码可能无法正确处理代码点序列(参见示例)这与EmojiParser使用的方法基本相同,并且由于相同的原因很快就会失败。新的emojis会相对频繁地添加到Unicode字符数据库中,如果您现在正在为负规则集实施一个使用当前定义的1644 emojis的解决方案,那么一旦新的emojis可用,实现就会失败标签。ASCII字母数字字符和表情符号之间的明显差距是重音和非拉丁字母。没有OP的输入,我们不知道这是否是一个好答案(但不是我的DV)是的,我很好奇为什么这可能会被否决。当我看到这个问题时,我首先想到的绝对是正则表达式(P.S.因为他在寻找标准字符和标点符号,我会使用类似于[^\w\^-\[\]\!@$%&*
EmojiUtils.removeEmoji(str)