PHP：如何匹配一系列 unicode 配对代理表情符号/表情符号？

Posted 2023-02-24

【中文标题】PHP：如何匹配一系列 unicode 配对代理表情符号/表情符号？

【英文标题】：PHP: How to match a range of unicode paired surrogates emoticons/emoji?

【发布时间】：2019-01-27 13:28:55

【问题描述】：

anubhava's answer about matching ranges of unicode characters 引导我使用正则表达式来清理特定范围的单个字符代码点。有了它，现在我可以用这个简单的表达式匹配所有miscellaneous symbols in this list（包括表情符号）：

preg_replace('/[\x2600-\x26FF]/u', '', $str);

但是，我也想匹配这个list of paired/double surrogates emoji中的那些，但是作为nhahtdh explained in a comment：

在d800 到dfff 的范围内可以指定UTF-16 中的代理项以允许指定更多字符。 单个代理不是 UTF-16 中的有效字符（需要一对来指定有效字符）。

所以，例如，当我尝试这个时：

preg_replace('/\xD83D\xDE00/u', '', $str);

仅替换paired surrogates on this list 中的第一个，即：????

php 抛出这个：

preg_replace()：编译失败：不允许的 Unicode 代码点(>= 0xd800 && <= 0xdfff)

我尝试了几种不同的组合，包括UTF8 for ???? ('/[\x00F0\x009F\x0098\x0080]/u') 中上述代码点的假定组合，但我仍然无法匹配它。我还查看了其他PCRE pattern modifiers，但似乎u 是唯一允许指向UTF8 的。

我在这里错过了任何“逃避”的选择吗？

【问题讨论】：

您是否只是想构建一个正则表达式来匹配这 80 个表情符号并将其用作“硬编码”模式，或者您是否正在尝试编写将“转换”U+1F600 到 \xD83D\xDE00 的代码?

哪个 PHP 版本？

@WiktorStribiżew 如果可能的话。 hardcoded 模式将是一个范围。

@revo PHP 7.1.5 及以上版本。

如果您的 PHP 未附带针对 UTF-16 的 PCRE 构建，那么您将无法执行此类匹配。从 PHP 7.0 开始，您可以使用 Unicode 代码点，遵循此语法 \uXXXX，例如preg_replace("~\u1F600~", '', $str);（注意双引号）

【参考方案1】：

revo's comment above 对找到解决方案很有帮助：

如果您的 PHP 未附带针对 UTF-16 的 PCRE 构建，则您无法执行此类匹配。 从 PHP 7.0 开始，您可以使用 Unicode 代码点遵循此语法 \uXXXX 例如preg_replace("~\u1F600~", '', $str);（注意双引号）

由于我使用的是 PHP 7，echo "\u1F602"; 输出?根据这个PHP RFC page on unicode escape。这个提议本质上是：

为 双引号字符串 和 heredocs 添加了新的转义序列。

\u codepoint-digits 其中codepoint-digits 由十六进制数字组成。

这意味着preg_replace 中的匹配字符串（通常是单引号以免与双引号字符串变量扩展混淆）现在需要一些preg_quote magic。这是我想出的解决方案：

preg_replace(
  // single point unicode list
  "/[\x2600-\x26FF".
  // http://www.fileformat.info/info/unicode/block/miscellaneous_symbols/list.htm
  // concatenates with paired surrogates
  preg_quote("\u1F600", '/')."-".preg_quote("\u1F64F", '/').
  // https://www.fileformat.info/info/unicode/block/emoticons/list.htm
  "]/u",
  '',
  $str
);

这是proof of the above in 3v4l。

编辑：更简单的解决方案

在another comment made by revo 中，似乎通过将 unicode 字符直接放入正则表达式字符类，支持单引号字符串和以前的 PHP 版本（例如 4.3.4）：

preg_replace('/[☀-⛿?-?]/u','YOINK',$str);

对于使用PHP 7's new feature though，你仍然需要双引号：

preg_replace("/[\u2600-\u26FF\u1F600-\u1F64F]/u",'YOINK',$str);

这里是revo's proof in 3v4l。

【讨论】：

我想补充一点，您既不需要 preg_quote 也不需要 PCRE 的 \xXXXX 语法。只需使用/[\u2600-\u26FF\u1F600-\u1F64F]/u。这等于/[☀-⛿?-?]/u。在此处查看现场演示3v4l.org/uA3mD

@revo 哈哈，这太棒了！直接放置字符允许在 PHP 4 中替换！我想这是最好的解决方案（如果 IDE 没有崩溃的话）。我用你的发现编辑了答案。非常感谢！