为什么代理java regexp发现hypen-minus –
我试图找到为什么在replaceAll(regexp,"")使用的JAVA ([\ud800-\udbff\udc00-\udfff])中的正则replaceAll(regexp,"")也删除了超负字符以及代理字符。
这个的Unicode是\u002d所以它似乎不在任何这些范围内。
我可以轻松删除此行为添加&&[^\u002d]导致([\ud800-\udbff\udc00-\udfff&&[^\u002d]])
但是，由于我不知道为什么这个\u002d被删除，我认为可能会有更多未被注意的字符被删除。
例：
String text = "A\u002dB"; System.out.println(text); String regex = "([\ud800-\udbff\udc00-\udfff])"; System.out.println(text.replaceAll(regex, "X"));
打印：
AB AXB
概述和假设
星象平面中的匹配字符（代码点U + 10000到U + 10FFFF）在Java正则表达式中是一个记录不足的特性。
这个答案主要涉及Java版本6及更高版本的Oracle实现（参考实现，也用于OpenJDK）。
如果您碰巧使用GNU Classpath或Android，请自行测试代码，因为它们使用自己的实现。
在幕后
假设你正在使用Oracle的实现运行你的正则表达式，你的正则表达式
"([\ud800-\udbff\udc00-\udfff])"
编译如下：
StartS. Start unanchored match (minLength=1) java.util.regex.Pattern$GroupHead Pattern.union. A ∪ B: Pattern.union. A ∪ B: Pattern.rangeFor. U+D800 <= codePoint <= U+10FC00. BitClass. Match any of these 1 character(s): [U+002D] SingleS. Match code point: U+DFFF LOW SURROGATES DFFF java.util.regex.Pattern$GroupTail java.util.regex.Pattern$LastNode Node. Accept match
字符类被解析为\ud800-\udbff\udc00 ， - ， \udfff 。 由于\udbff\udc00形成有效的代理对，因此它代表代码点U + 10FC00。
错误的解决方案
写作没有意义：
"[\ud800-\udbff][\udc00-\udfff]"
由于Oracle的实现与代码点匹配，并且有效的代理对将在匹配之前转换为代码点，因此上面的正则表达式无法匹配任何内容，因为它正在搜索可以形成有效对的2个连续单独代理。
解
如果你想匹配并删除星体平面上的U + FFFF上方的所有代码点（由有效的代理对形成），加上单独的代理（不能形成有效的代理对），你应该写：
input.replaceAll("[\ud800\udc00-\udbff\udfff\ud800-\udfff]", "");
此解决方案已经过测试，可在Java 6和7（Oracle实现）中使用。
上面的正则表达式编译为：
StartS. Start unanchored match (minLength=1) Pattern.union. A ∪ B: Pattern.rangeFor. U+10000 <= codePoint <= U+10FFFF. Pattern.rangeFor. U+D800 <= codePoint <= U+DFFF. java.util.regex.Pattern$LastNode Node. Accept match
请注意，我使用字符串文字Unicode转义序列指定字符，而不是正则表达式语法中的转义序列。
// Only works in Java 7 input.replaceAll("[\\ud800\\udc00-\\udbff\\udfff\\ud800-\\udfff]", "")
当使用正则表达式语法指定时，Java 6无法识别代理项对，因此正则表达式将\\ud800识别为一个字符，并尝试编译范围\\udc00-\\udbff它失败的地方。 我们很幸运，它为这个输入抛出了一个例外; 否则，错误将无法检测到。 Java 7正确解析此正则表达式并编译为与上面相同的结构。
从Java 7及更高版本开始，添加了语法\x{h..h}以支持指定BMP（基本多语言平面）之外的字符，并且它是在星体平面中指定字符的推荐方法。
input.replaceAll("[\\x{10000}-\\x{10ffff}\ud800-\udfff]", "");
这个正则表达式也编译成与上面相同的结构。
如果你做范围
[\ud800-\udfff]
要么
[\ud800-\udbff\udbff-\udfff]
它会使连字符不受影响。 对我来说似乎是个错误。
请注意，没有理由使用双范围，在您的示例中\udc00只是\udbff之后的下一个代码点，因此您可以跳过它。 如果你使两个范围重叠一个或多个代码点，它会再次起作用，但你也可以将其排除（参见上面的第一个例子）。