什么'；这些Unicode组合字符是什么？我们如何过滤它们？

กิิิิิิิิิิิิิิิิิิิิ ก้้้้้้้้้้้้้้้้้้้้ ก็็็็็็็็็็็็็็็็็็็็ ก็็็็็็็็็็็็็็็็็็็็ กิิิิิิิิิิิิิิิิิิิิ ก้้้้้้้้้้้้้้้้้้้้ ก็็็็็็็็็็็็็็็็็็็็ กิิิิิิิิิิิิิิิิิิิิ ก้้้้้้้้้้้้้้้้้้้้ กิิิิิิิิิิิิิิิิิิิิ ก้้้้้้้้้้้้้้้้้้้้ ก็็็็็็็็็็็็็็็็็็็็ ก็็็็็็็็็็็็็็็็็็็็ กิิิิิิิิิิิิิิิิิิิิ ก้้้้้้้้้้้้้้้้้้้้ ก็็็็็็็็็็็็็็็็็็็็ กิิิิิิิิิิิิิิิิิิิิ ก้้้้้้้้้้้้้้้้้้้้

这些最近出现在facebook的评论部分

我们怎样才能消毒呢

这些unicode字符是怎么回事

那是一个有一系列故事的角色。因为所讨论的组合字符要高于基本字符，所以它们（按字面意思）堆叠起来。例如,

ก้้้้้้้้้้้้้้้้้้้้

…这是一个ก （泰文字符ko kai）（）后接20份泰文组合字符mai tho（）

我们怎样才能消毒呢

您可以对文本进行预处理，并限制可应用于单个字符的组合字符数，但这样做可能不值得。您需要所有当前字符的数据表，以便知道它们是组合还是什么，并且您需要确保至少允许一些字符，因为有些语言是在一个基础上使用多个变音符号编写的。现在，如果您想将注释限制为拉丁字符集，这将是一个更容易的范围检查，但当然，如果您想将注释限制为几种语言，这只是一个选项。更多信息、代码表等，请访问

顺便说一句，如果你想知道某个角色是如何组成的，最近我在JSBin上写了一个问题。您只需将文本复制并粘贴到文本区域中，它就会向您显示文本所包含的所有代码点（~个字符），以及上面描述每个字符的页面链接。它只适用于U+FFFF和U+FFFF以下的代码点，因为它是用JavaScript编写的，要在JavaScript中处理U+FFFF以上的字符，您需要做的工作比我想做的更多（因为在JavaScript中，一个“字符”始终为16位，这意味着对于某些语言，一个字符可以拆分为两个单独的JavaScript“字符”，我没有对此进行说明），但对于大多数文本来说，它非常方便…

上面的回答是“我们如何清理这个”最好

然而，我认为清理是错误的方法，并且在包含css的元素上使用

overflow:hidden

是正确的

---

至少，我是这样解决的。

如果你有一个支持Unicode的正则表达式引擎，那么清理这种字符串就很简单了。例如，在Perl中，可以从每个（用户感知的）字符中删除除第一个组合标记以外的所有字符，如下所示：

#/usr/bin/perl
严格使用；
使用utf8；
binmode（标准输出“：utf8”）；
我的$string=”กิิ ก้้ ก็็ ก็็ กิิ ก้้ ก็็ กิิ ก้้ กิิ ก้้ ก็็ ก็็ กิิ ก้้ ก็็ กิิ ก้้";
$string=~s/（\p{Mark}）\p{Mark}+/$1/g；#去除多余的组合标记
打印（“$string\n”）；

这将打印：

---

กิ ก้ ก็ ก็ กิ ก้ ก็ กิ ก้ กิ ก้ ก็ ก็ กิ ก้ ก็ กิ ก้ 好吧，这一次我花了一段时间才弄明白，我的印象是，组合角色来制作zalgo是可行的。所以我希望能抓住那些怪胎

([\u0300–\u036F\u1AB0–\u1AFF\u1DC0–\u1DFF\u20D0–\u20FF\uFE20–\uFE2F]{2,})

但它不起作用

问题是，它没有涵盖所有组合字符

给我一个提示的是

”ก้้้้้้้้้้้้้้้้้้้้“.charCodeAt（2）.toString（16）

=”e49“，在不在组合范围内的情况下，它属于“专用”

在C#中，它们属于

UnicodeCegory.NonSpacingMark

，下面的脚本将它们清除：

    [Test]
    public void IsZalgo()
    {
        var zalgo = new[] { UnicodeCategory.NonSpacingMark };

        File.Delete("IsModifyLike.html");
        File.AppendAllText("IsModifyLike.html", "<table>");
        for (var i = 0; i < 65535; i++)
        {
            var c = (char)i;
            if (zalgo.Contains(Char.GetUnicodeCategory(c)))
            {


                File.AppendAllText("IsModifyLike.html", string.Format("<tr><td>{0}</td><td>{1}</td><td>{2}</td><td>A&#{3};&#{3};&#{3}</td></tr>\n",  i.ToString("X"), c, Char.GetUnicodeCategory(c), i));

            }
        }
        File.AppendAllText("IsModifyLike.html", "</table>");
    }

一旦你做到了这一点，最难的一点就是识别它们——有很多解决方案，包括上面提到的一些好的解决方案

---

希望这能为您节省一些时间。

您以前没有问过这个问题吗？（诚实的问题）。这些绝对不是我为什么要投票？这是一个与编程相关的问题，因为我想知道如何清理这类输入，这样我网站上的评论部分就不会成为13岁孩子的游乐场了。。。กิิิิิิิิิิิิิิิิิิิิ ก้้้้้้้้้้้้้้้้้้้้ ก็็็็็็็็็็็็็็็็็็็็ ก็็็็็็็็็็็็็็็็็็็็ กิิิิิิิิิิิิิิิิิิิิ ก้้้้้้้้้้้้้้้้้้้้ ก็็็็็็็็็็็็็็็็็็็็ กิิิิิิิิิิิิิิิิิิิิ ก้้้้้้้้้้้้้้้้้้้้ กิิิิิิิิิิิิิิิิิิิิ ก้้้้้้้้้้้้้้้้้้้้ ก็็็็็็็็็็็็็็็็็็็็

([\u0300–\u036F\u1AB0–\u1AFF\u1DC0–\u1DFF\u20D0–\u20FF\uFE20–\uFE2F\u0483-\u0486\u05C7\u0610-\u061A\u0656-\u065F\u0670\u06D6-\u06ED\u0711\u0730-\u073F\u0743-\u074A\u0F18-\u0F19\u0F35\u0F37\u0F72-\u0F73\u0F7A-\u0F81\u0F84\u0e00-\u0eff\uFC5E-\uFC62]{2,})